Fugu-MT 論文翻訳(概要): Understanding and Estimating Domain Complexity Across Domains

論文の概要: Understanding and Estimating Domain Complexity Across Domains

arxiv url: http://arxiv.org/abs/2312.13487v1
Date: Wed, 20 Dec 2023 23:47:17 GMT
ステータス: 処理完了
システム内更新日: 2023-12-22 16:28:07.383781
Title: Understanding and Estimating Domain Complexity Across Domains
Title（参考訳）: ドメイン間の複雑さの理解と推定
Authors: Katarina Doctor, Mayank Kejriwal, Lawrence Holder, Eric Kildebeck, Emma Resmini, Christopher Pereyda, Robert J. Steininger, Daniel V. Oliven\c{c}a
Abstract要約: 多様な環境にまたがるドメインの複雑さを推定するための一般的なフレームワークを提案する。これらのカテゴリの次元、空間、多様性を分析することで、ドメインの課題を包括的に見ることができます。
参考スコア（独自算出の注目度）: 2.1613662656419406
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Artificial Intelligence (AI) systems, trained in controlled environments, often struggle in real-world complexities. We propose a general framework for estimating domain complexity across diverse environments, like open-world learning and real-world applications. This framework distinguishes between intrinsic complexity (inherent to the domain) and extrinsic complexity (dependent on the AI agent). By analyzing dimensionality, sparsity, and diversity within these categories, we offer a comprehensive view of domain challenges. This approach enables quantitative predictions of AI difficulty during environment transitions, avoids bias in novel situations, and helps navigate the vast search spaces of open-world domains.
Abstract（参考訳）: 制御された環境で訓練された人工知能(AI)システムは、しばしば現実世界の複雑さに苦しむ。オープンワールド学習や実世界のアプリケーションなど,さまざまな環境にまたがるドメインの複雑さを推定するための一般的なフレームワークを提案する。このフレームワークは、本質的な複雑性(ドメインに固有)と、(aiエージェントに依存した)外部的な複雑さを区別する。これらのカテゴリにおける次元、スパーシティ、多様性を分析することで、ドメインの課題の包括的なビューを提供する。このアプローチは、環境遷移中のAIの難易度を定量的に予測し、新しい状況におけるバイアスを回避し、オープンワールドドメインの広大な検索空間をナビゲートするのに役立つ。

関連論文リスト

Parameter Choice and Neuro-Symbolic Approaches for Deep Domain-Invariant Learning [2.0547410497538445]
ニューロシンボリックAI(NeSy)はシンボリックパラダイムとサブシンボリックパラダイムのギャップを埋める。 NeSy AIシステムは、複数のモデルとメソッドを使用して、見えないドメインに一般化する。この作業は、さまざまな問題設定に適用可能な、スケーラブルで一般化可能な広義のAIシステムのためのフレームワークを確立する。
論文参考訳（メタデータ） (2024-10-08T17:46:35Z)
Towards Few-Shot Learning in the Open World: A Review and Beyond [52.41344813375177]
少ないショット学習は、人間の知性を模倣し、大きな一般化と伝達性を実現することを目的としている。本稿では,FSLをオープンワールド環境に適用するための最近の進歩について概説する。既存の手法は,3つの異なるタイプのオープンワールド・マイクロショット・ラーニングに分類する。
論文参考訳（メタデータ） (2024-08-19T06:23:21Z)
Object Detectors in the Open Environment: Challenges, Solutions, and Outlook [95.3317059617271]
オープン環境のダイナミックで複雑な性質は、オブジェクト検出器に新しくて恐ろしい挑戦をもたらす。本稿では,オープン環境におけるオブジェクト検出器の総合的なレビューと解析を行う。データ/ターゲットの変化の次元に基づいて、4つの四分法(ドメイン外、カテゴリ外、堅牢な学習、漸進的な学習)を含むフレームワークを提案する。
論文参考訳（メタデータ） (2024-03-24T19:32:39Z)
Artificial Intelligence for Complex Network: Potential, Methodology and Application [23.710627896950438]
複雑なネットワーク科学は、実際のネットワークの基盤となる統計力学、構造、力学の理解を大幅に強化した。人工知能(AI)技術の出現は、複雑なネットワーク科学研究の新しい時代を告げている。この調査は、複雑なネットワーク研究の難題を克服する上で、AIの潜在的な利点を体系的に解決することを目的としている。
論文参考訳（メタデータ） (2024-02-23T09:06:36Z)
Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-05-28T04:08:40Z)
Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
時系列異常検出は、幅広い現実世界の応用において難しい課題である。近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
論文参考訳（メタデータ） (2023-04-15T02:28:58Z)
Toward Defining a Domain Complexity Measure Across Domains [5.427513049774693]
シミュレータ、テストベッド、ベンチマークデータセットから、よりオープンな領域への移行は、AIシステムに重大な課題をもたらす。本稿では,ドメインに依存しない領域複雑性の一般的な尺度を提案する。
論文参考訳（メタデータ） (2023-03-07T18:56:50Z)
Multi-AI Complex Systems in Humanitarian Response [0.0]
比較的単純な現実世界の人道的応答シナリオにおいても、マルチAIシステムがいかにして発生しうるかを説明し、潜在的に創発的で不正な行動を引き起こす。本論文は、人道的対応の分野におけるこのトピックに関する最初の展示として、意識を高め、このドメインの展望を探究し、より広いコミュニティにおける今後の仕事の出発点を提供するように設計されている。
論文参考訳（メタデータ） (2022-08-24T03:01:21Z)
Generalizing to Evolving Domains with Latent Structure-Aware Sequential Autoencoder [32.46804768486719]
本稿では,Latent Structure-aware Sequential Autoencoder (LSSAE) と呼ばれる確率的フレームワークを導入する。合成データセットと実世界のデータセットの両方の実験結果から、LSSAEは優れたパフォーマンスをもたらすことが示された。
論文参考訳（メタデータ） (2022-05-16T13:11:29Z)
An Online Learning Approach to Interpolation and Extrapolation in Domain Generalization [53.592597682854944]
リスクを最小化するプレイヤーと新しいテストを示す敵の間のオンラインゲームとしてサブグループの一般化を再放送する。両課題に対してERMは極小最適であることを示す。
論文参考訳（メタデータ） (2021-02-25T19:06:48Z)
From Simulation to Real World Maneuver Execution using Deep Reinforcement Learning [69.23334811890919]
深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
論文参考訳（メタデータ） (2020-05-13T14:22:20Z)

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。