Fugu-MT 論文翻訳(概要): Task and Explanation Network

論文の概要: Task and Explanation Network

arxiv url: http://arxiv.org/abs/2401.01732v1
Date: Wed, 3 Jan 2024 13:11:59 GMT
ステータス: 処理完了
システム内更新日: 2024-01-04 13:57:13.933893
Title: Task and Explanation Network
Title（参考訳）: タスクと説明ネットワーク
Authors: Moshe Sipper
Abstract要約: 私たちは、AIはタスクだけでなく、なぜそのタスクが達成されたのかを説明した上で、タスクをしなければならないと論じています。本稿では,タスク補完と説明を完全に統合した,タスク・アンド・説明ネットワーク(TENet)の基本フレームワークを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Explainability in deep networks has gained increased importance in recent years. We argue herein that an AI must be tasked not just with a task but also with an explanation of why said task was accomplished as such. We present a basic framework -- Task and Explanation Network (TENet) -- which fully integrates task completion and its explanation. We believe that the field of AI as a whole should insist -- quite emphatically -- on explainability.
Abstract（参考訳）: 近年,ディープネットワークにおける説明可能性の重要性が高まっている。ここでは、AIはタスクだけでなく、そのタスクが達成された理由の説明も必要である、と論じる。我々はタスクの完了とその説明を完全に統合する基本的なフレームワークであるtask and description network(tenet)を提案する。私たちは、AI全般の分野は、説明可能性について、非常に熱心に主張すべきだと信じています。

関連論文リスト

Gotta: Generative Few-shot Question Answering by Prompt-based Cloze Data Augmentation [18.531941086922256]
QA (Few-shot Question answering) は、コンテキストパスから一連の質問に対する回答を正確に発見することを目的としている。我々は,ジェネレーティブPROmpTベースのdaTa拡張フレームワークであるGottaを開発した。人間の推論プロセスにインスパイアされた我々は、クローズタスクを統合して、数発のQA学習を強化することを提案する。
論文参考訳（メタデータ） (2023-06-07T01:44:43Z)
Continual Task Allocation in Meta-Policy Network via Sparse Prompting [42.386912478509814]
タスクの連続を継続的に学習することで、一般化可能なメタ政治の訓練方法を示す。スパース・プロンプティング(CoTASP)による連続タスク割当(Continual Task Allocation)"で対処する。実験では、CoTASPは過去のタスクの経験を保存または再生することなく、有望な可塑性-安定性トレードオフを達成する。
論文参考訳（メタデータ） (2023-05-29T03:36:32Z)
Logical Tasks for Measuring Extrapolation and Rule Comprehension [0.0]
論理的タスクを定義し,そのソリューションのシステム要件について議論する。本稿では,外挿,説明可能性,帰納バイアスといった概念に対する論理的タスクの関連性について論じる。
論文参考訳（メタデータ） (2022-11-14T19:55:54Z)
Decomposed Prompting: A Modular Approach for Solving Complex Tasks [55.42850359286304]
本稿では,より単純なサブタスクに分解することで,複雑なタスクを解くための分解プロンプトを提案する。このモジュール構造は、各プロンプトを特定のサブタスクに最適化することを可能にする。 Decomposed Promptingの柔軟性とモジュラリティは、数発のプロンプトで先行作業より優れていることを示す。
論文参考訳（メタデータ） (2022-10-05T17:28:20Z)
Learning Iterative Reasoning through Energy Minimization [77.33859525900334]
ニューラルネットワークを用いた反復推論のための新しいフレームワークを提案する。すべての出力に対してエネルギーランドスケープをパラメータ化するために、ニューラルネットワークをトレーニングします。エネルギー最小化ステップとして反復推論の各ステップを実装し,最小限のエネルギー解を求める。
論文参考訳（メタデータ） (2022-06-30T17:44:20Z)
Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
論文参考訳（メタデータ） (2022-05-25T10:44:25Z)
Zero-Shot Information Extraction as a Unified Text-to-Triple Translation [56.01830747416606]
我々は、テキストから3つの翻訳フレームワークに一連の情報抽出タスクを投入した。タスク固有の入力テキストと出力トリプルの変換としてタスクを形式化する。本稿では,オープン情報抽出におけるゼロショット性能について検討する。
論文参考訳（メタデータ） (2021-09-23T06:54:19Z)
Auxiliary Learning by Implicit Differentiation [54.92146615836611]
補助的なタスクによるニューラルネットワークのトレーニングは、関心のあるメインタスクのパフォーマンスを改善するための一般的なプラクティスである。そこで我々は,暗黙の識別に基づく両課題を対象とした新しいフレームワークAuxiLearnを提案する。まず、有用な補助関数が知られている場合、全ての損失を1つのコヒーレントな目的関数に組み合わせたネットワークの学習を提案する。第二に、有用な補助タスクが知られていない場合、意味のある新しい補助タスクを生成するネットワークの学習方法について述べる。
論文参考訳（メタデータ） (2020-06-22T19:35:07Z)
Weakly-Supervised Reinforcement Learning for Controllable Behavior [126.04932929741538]
強化学習(Reinforcement Learning、RL)は、タスクを解決するために行動を取るための学習のための強力なフレームワークである。多くの設定において、エージェントは、現在解決するよう求められている単一のタスクに対して、不可能なほど大きなタスク空間を放棄しなければならない。我々は,この意味論的意味のあるタスクのサブスペースを,非意味的な「チャフ」タスクの巨大な空間から自動的に切り離すために,弱い監督を利用するフレームワークを導入する。
論文参考訳（メタデータ） (2020-04-06T17:50:28Z)
Context-Aware Multi-Task Learning for Traffic Scene Recognition in Autonomous Vehicles [10.475998113861895]
マルチタスク学習ネットワークを採用することにより,タスク固有表現と共有表現を協調的に学習するアルゴリズムを提案する。大規模データセットHSDの実験は、最先端手法よりもネットワークの有効性と優位性を実証している。
論文参考訳（メタデータ） (2020-04-03T03:09:26Z)

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。