論文の概要: On the verification of Embeddings using Hybrid Markov Logic

• arxiv url: http://arxiv.org/abs/2312.08287v1
• Date: Wed, 13 Dec 2023 17:04:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 14:33:36.592411
• Title: On the verification of Embeddings using Hybrid Markov Logic
• Title（参考訳）: ハイブリッドマルコフ論理を用いた埋め込みの検証について
• Authors: Anup Shakya, Abisha Thapa Magar, Somdeb Sarkhel and Deepak Venugopal
• Abstract要約: 本稿では,学習した表現の複雑な性質を検証するためのフレームワークを提案する。 このフレームワーク内のプロパティのパラメータを学習するためのアプローチを提案する。 本稿では,グラフニューラルネットワーク,深部知識追跡,知能学習システムにおける検証について述べる。
• 参考スコア（独自算出の注目度）: 2.113770213797994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The standard approach to verify representations learned by Deep Neural Networks is to use them in specific tasks such as classification or regression, and measure their performance based on accuracy in such tasks. However, in many cases, we would want to verify more complex properties of a learned representation. To do this, we propose a framework based on a probabilistic first-order language, namely, Hybrid Markov Logic Networks (HMLNs) where we specify properties over embeddings mixed with symbolic domain knowledge. We present an approach to learn parameters for the properties within this framework. Further, we develop a verification method to test embeddings in this framework by encoding this task as a Mixed Integer Linear Program for which we can leverage existing state-of-the-art solvers. We illustrate verification in Graph Neural Networks, Deep Knowledge Tracing and Intelligent Tutoring Systems to demonstrate the generality of our approach.
• Abstract（参考訳）: Deep Neural Networksが学習した表現を検証するための標準的なアプローチは、分類や回帰といった特定のタスクで使用し、それらのタスクの精度に基づいてパフォーマンスを測定することである。 しかし、多くの場合、私たちは学習した表現のより複雑な性質を検証したいです。 そこで本研究では,確率的一階言語であるハイブリッドマルコフ論理ネットワーク(hmlns)に基づくフレームワークを提案する。 このフレームワーク内のプロパティのパラメータを学習するためのアプローチを提案する。 さらに,このタスクを混合整数線形プログラムとして符号化することにより,このフレームワークの組込みをテストするための検証手法を開発した。 本稿では,グラフニューラルネットワーク,ディープナレッジトレース,インテリジェントチュータシステムによる検証を行い,このアプローチの汎用性を示す。

関連論文リスト

• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Informed Machine Learning for Improved Similarity Assessment in Process-Oriented Case-Based Reasoning [1.370633147306388]
  グラフニューラルネットワーク(GNN)にドメイン知識を統合する可能性について検討する。 まず、各グラフノードとエッジのセマンティックアノテーションに関する構造知識を符号化する特殊なデータ表現処理手法を用いる。 第2に、GNNのメッセージパッシングコンポーネントは、法的なノードマッピングに関する知識によって制約される。
  論文  参考訳（メタデータ） (2021-06-30T09:31:58Z)
• How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
  MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。 我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。 この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
  論文  参考訳（メタデータ） (2021-05-05T17:56:00Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• GENNI: Visualising the Geometry of Equivalences for Neural Network Identifiability [14.31120627384789]
  ニューラルネットワークの対称性を可視化する効率的なアルゴリズムを提案する。 提案手法であるGENNIは,機能的に等価なパラメータを効率的に同定し,その結果の同値クラスの部分空間を可視化する。
  論文  参考訳（メタデータ） (2020-11-14T22:53:13Z)
• Learned Greedy Method (LGM): A Novel Neural Architecture for Sparse Coding and Beyond [24.160276545294288]
  同じ目的のために,欲求追従アルゴリズムの展開版を提案する。 Learned Greedy Method(LGM)のキーとなる特徴は、動的に展開された複数のレイヤに対応する能力である。
  論文  参考訳（メタデータ） (2020-10-14T13:17:02Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
  情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。 相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
  論文  参考訳（メタデータ） (2020-09-07T16:47:30Z)
• Dynamic Feature Integration for Simultaneous Detection of Salient Object, Edge and Skeleton [108.01007935498104]
  本稿では,高次物体分割,エッジ検出,スケルトン抽出など,低レベルの3つの視覚問題を解く。 まず、これらのタスクで共有される類似点を示し、統一されたフレームワークの開発にどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2020-04-18T11:10:11Z)
• A Generalizable Knowledge Framework for Semantic Indoor Mapping Based on Markov Logic Networks and Data Driven MCMC [2.4214518935746185]
  データ抽象化のための一般化可能な知識フレームワークを提案する。 これらの抽象的な用語に基づいて、インテリジェントな自律システムは、特定の知識ベースに応じて推論を行うことができるべきである。 本稿では,このフレームワークを特定のタスク,特にセマンティックロボットマッピングに適用する方法を詳細に示す。
  論文  参考訳（メタデータ） (2020-02-19T19:30:10Z)

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。