論文の概要: FAME: Flexible, Scalable Analogy Mappings Engine

• arxiv url: http://arxiv.org/abs/2311.01860v1
• Date: Fri, 3 Nov 2023 12:08:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 14:22:49.388615
• Title: FAME: Flexible, Scalable Analogy Mappings Engine
• Title（参考訳）: fame: フレキシブルでスケーラブルなアナログマッピングエンジン
• Authors: Shahar Jacob, Chen Shani, Dafna Shahaf
• Abstract要約: この作業では、入力要求を緩和し、マッピングされるエンティティの名前のみを要求する。 我々は、自動的にコモンセンス表現を抽出し、それらを使ってエンティティ間のマッピングを識別する。 我々のフレームワークは部分的な類似を処理でき、新しいエンティティを追加することを提案できる。
• 参考スコア（独自算出の注目度）: 22.464249291871937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analogy is one of the core capacities of human cognition; when faced with new situations, we often transfer prior experience from other domains. Most work on computational analogy relies heavily on complex, manually crafted input. In this work, we relax the input requirements, requiring only names of entities to be mapped. We automatically extract commonsense representations and use them to identify a mapping between the entities. Unlike previous works, our framework can handle partial analogies and suggest new entities to be added. Moreover, our method's output is easily interpretable, allowing for users to understand why a specific mapping was chosen. Experiments show that our model correctly maps 81.2% of classical 2x2 analogy problems (guess level=50%). On larger problems, it achieves 77.8% accuracy (mean guess level=13.1%). In another experiment, we show our algorithm outperforms human performance, and the automatic suggestions of new entities resemble those suggested by humans. We hope this work will advance computational analogy by paving the way to more flexible, realistic input requirements, with broader applicability.
• Abstract（参考訳）: アナロジーは人間の認知の中核的な能力の1つであり、新しい状況に直面したとき、私たちはしばしば他のドメインから経験を移す。 計算アナロジーに関するほとんどの作業は、複雑で手作業による入力に大きく依存している。 この作業では、入力要求を緩和し、マッピングされるエンティティの名前のみを要求する。 我々は、自動的にコモンセンス表現を抽出し、それらを使ってエンティティ間のマッピングを識別する。 以前の作業とは異なり、我々のフレームワークは部分的な類似を扱い、新しいエンティティを追加することを提案できる。 さらに,提案手法の出力は容易に解釈可能であり,ユーザが特定のマッピングを選択した理由を理解することができる。 実験により、古典的2x2類似問題の81.2%を正しくマッピングできることが示されている(ゲネスレベル=50%)。 より大きな問題では77.8%の精度を達成している(推測値=13.1%)。 別の実験では、アルゴリズムが人間のパフォーマンスを上回っており、新しい実体の自動提案は人間の提案に似ています。 私たちはこの研究が、より柔軟で現実的な入力要求への道筋を広く適用することで、計算のアナロジーを前進させることを望んでいる。

関連論文リスト

• Evaluating the Robustness of Analogical Reasoning in Large Language Models [6.5855735579366685]
  LLMのアナログ生成能力のロバスト性について検討した。 我々は,従来の類推問題に対するロバスト性について,人間とGPTモデルを検証した。 人間とは異なり、GPTモデルの性能は答え順序の影響を受けやすい。
  論文  参考訳（メタデータ） (2024-11-21T15:25:08Z)
• ParallelPARC: A Scalable Pipeline for Generating Natural-Language Analogies [16.92480305308536]
  複雑な段落に基づくアナロジーを作成するパイプラインを開発する。 我々は人によって検証された金のセットと銀のセットを自動生成する。 私たちは、銀のセットがトレーニングモデルに役立つことを実証します。
  論文  参考訳（メタデータ） (2024-03-02T08:53:40Z)
• StoryAnalogy: Deriving Story-level Analogies from Large Language Models to Unlock Analogical Understanding [72.38872974837462]
  大規模ストーリーレベルの類似語コーパスを構築することにより,類似語を識別・生成する能力を評価する。 textscStory Analogyには、さまざまなドメインから24Kストーリーペアが含まれており、拡張された構造マッピング理論の2つの類似点に人間のアノテーションがある。 我々は、textscStory Analogyのデータは、大言語モデルにおけるアナログ生成の品質を向上させることができることを観察した。
  論文  参考訳（メタデータ） (2023-10-19T16:29:23Z)
• VASR: Visual Analogies of Situation Recognition [21.114629154550364]
  環境認識のビジュアルアナロジ(Visual Analogies of situation Recognition)を新たに導入する。 我々はシーンの理解を必要とする複雑な類似に取り組みます。 データのサンプルに対するクラウドソースアノテーションは、人間が80%のデータセットラベルに同意していることを示している。 我々の実験は、邪魔者がランダムに選択された時に最先端のモデルがうまく機能することを示したが、慎重に選択された邪魔者には耐え難い。
  論文  参考訳（メタデータ） (2022-12-08T20:08:49Z)
• Life is a Circus and We are the Clowns: Automatically Finding Analogies between Situations and Processes [12.8252101640812]
  多くの研究が、新しいドメインに適応できる非脆性システムにとって、アナログが鍵であることを示唆している。 アナロジーの重要性にもかかわらず、NLPコミュニティではほとんど注目されなかった。
  論文  参考訳（メタデータ） (2022-10-21T18:54:17Z)
• Does entity abstraction help generative Transformers reason? [8.159805544989359]
  本稿では,事前学習したトランスフォーマーにエンティティ型抽象化を組み込むことの有用性について検討する。 論理的推論の異なる4つのNLPタスクに対して,これらの手法を検証した。
  論文  参考訳（メタデータ） (2022-01-05T19:00:53Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Learning What To Do by Simulating the Past [76.86449554580291]
  学習した特徴エンコーダと学習した逆モデルを組み合わせることで、エージェントが人間の行動を後方にシミュレートして、彼らがすべきことを推測できることを示す。 得られたアルゴリズムは、そのスキルに最適なポリシーから抽出された単一の状態を与えられたMuJoCo環境で特定のスキルを再現することができる。
  論文  参考訳（メタデータ） (2021-04-08T17:43:29Z)
• Category-Learning with Context-Augmented Autoencoder [63.05016513788047]
  実世界のデータの解釈可能な非冗長表現を見つけることは、機械学習の鍵となる問題の一つである。 本稿では,オートエンコーダのトレーニングにデータ拡張を利用する新しい手法を提案する。 このような方法で変分オートエンコーダを訓練し、補助ネットワークによって変換結果を予測できるようにする。
  論文  参考訳（メタデータ） (2020-10-10T14:04:44Z)
• Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
  本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。 両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
  論文  参考訳（メタデータ） (2020-07-23T14:00:34Z)
• A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
  我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。 ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。 我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
  論文  参考訳（メタデータ） (2020-06-25T06:28:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。