論文の概要: When Redundancy Matters: Machine Teaching of Representations

• arxiv url: http://arxiv.org/abs/2401.12711v1
• Date: Tue, 23 Jan 2024 12:20:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 15:41:25.366077
• Title: When Redundancy Matters: Machine Teaching of Representations
• Title（参考訳）: 冗長性の問題: 表現の機械的指導
• Authors: C\`esar Ferri, Dario Garigliotti, Brigt Arve Toppe H{\aa}vardstun, Jos\`e Hern\'andez-Orallo, Jan Arne Telle
• Abstract要約: 伝統的な機械教育では、教師は学習者に概念を教えたがる。 この冗長性は,教師や学習者が各表現の同値類を容易に決定できない程度に,探索空間に強く影響を及ぼす。
• 参考スコア（独自算出の注目度）: 3.824275980026318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In traditional machine teaching, a teacher wants to teach a concept to a learner, by means of a finite set of examples, the witness set. But concepts can have many equivalent representations. This redundancy strongly affects the search space, to the extent that teacher and learner may not be able to easily determine the equivalence class of each representation. In this common situation, instead of teaching concepts, we explore the idea of teaching representations. We work with several teaching schemas that exploit representation and witness size (Eager, Greedy and Optimal) and analyze the gains in teaching effectiveness for some representational languages (DNF expressions and Turing-complete P3 programs). Our theoretical and experimental results indicate that there are various types of redundancy, handled better by the Greedy schema introduced here than by the Eager schema, although both can be arbitrarily far away from the Optimal. For P3 programs we found that witness sets are usually smaller than the programs they identify, which is an illuminating justification of why machine teaching from examples makes sense at all.
• Abstract（参考訳）: 伝統的な機械教育において、教師は、有限個の例のセット、すなわち証人集合を用いて、学習者に概念を教えることを望んでいる。 しかし、概念には多くの等価な表現がある。 この冗長性は,教師や学習者が各表現の同値類を容易に決定できない程度に,探索空間に強く影響を及ぼす。 この一般的な状況では、概念を教えるのではなく、表現を教えるという考え方を探求する。 我々は,表現と証人の大きさ(eager,greedy,optimize)を活用し,いくつかの表現言語(dnf表現とチューリング完全p3プログラム)の指導効果の高まりを分析した。 理論および実験の結果から, 様々な冗長性が存在し, ここで導入した欲望スキーマよりも欲望スキーマの方が扱いが良いことがわかったが, 両者は任意に最適から遠く離れることができる。 p3プログラムでは、証人セットは通常、彼らが識別するプログラムよりも小さいことが分かりました。

関連論文リスト

• Representational Alignment Supports Effective Machine Teaching [81.19197059407121]
  我々は,機械教育の知見と実践的なコミュニケーションを,表現的アライメントに関する文献と統合する。 教師の精度から表現的アライメントを遠ざける教師付き学習環境を設計する。
  論文  参考訳（メタデータ） (2024-06-06T17:48:24Z)
• Large Language Models are In-context Teachers for Knowledge Reasoning [8.869111204842248]
  本研究では,教師が無意味な事例の推論を学生に教えるため,インコンテクスト教育(ICT)について検討する。 我々は,大規模言語モデル (LLM) が,人間と比較して,自己や他のLLMに対して,より効果的なテキスト内教師として機能するかどうかを問う。
  論文  参考訳（メタデータ） (2023-11-12T23:14:43Z)
• On the Complexity of Representation Learning in Contextual Linear Bandits [110.84649234726442]
  表現学習は線形帯域よりも根本的に複雑であることを示す。 特に、与えられた表現の集合で学ぶことは、その集合の中で最悪の実現可能な表現で学ぶことよりも決して単純ではない。
  論文  参考訳（メタデータ） (2022-12-19T13:08:58Z)
• One-shot Machine Teaching: Cost Very Few Examples to Converge Faster [45.96956111867065]
  単発機械教育という,よりインテリジェントな教育パラダイムについて検討する。 学習セットからモデルパラメータへの抽出可能なマッピングを確立する。 この写像が主観的であることを証明し、最適指導セットの存在を保証する。
  論文  参考訳（メタデータ） (2022-12-13T07:51:17Z)
• Rethinking the Role of Demonstrations: What Makes In-Context Learning Work? [112.72413411257662]
  大規模言語モデル(LM)は、いくつかのインプットラベルペア(デモ)を条件付けして、新しいインプットの予測を行うことで、インコンテキストで学習することができる。 実演のラベルをランダムに置き換えることは、パフォーマンスをほとんど損なうものではない。 デモの他の側面が、エンドタスクのパフォーマンスの主要な要因であることに気付きました。
  論文  参考訳（メタデータ） (2022-02-25T17:25:19Z)
• DirectProbe: Studying Representations without Classifiers [21.23284793831221]
  DirectProbeは、タスクのバージョン空間の概念に基づいて表現の幾何学を研究します。 いくつかの言語的タスクと文脈的埋め込みの実験は、訓練された分類器がなくても、DirectProbeは埋め込み空間がラベルの表現方法に光を当てることができることを示している。
  論文  参考訳（メタデータ） (2021-04-13T02:40:26Z)
• Evaluating Explanations: How much do explanations from the teacher aid students? [103.05037537415811]
  本研究では,説明が生徒の学習モデルを改善する程度を測る学生-教師パラダイムを用いて,説明の価値を定式化する。 説明を評価するための従来の提案とは異なり、我々のアプローチは容易にゲーム化できず、原則付き、スケーラブルで、属性の自動評価を可能にします。
  論文  参考訳（メタデータ） (2020-12-01T23:40:21Z)
• Iterative Machine Teaching without Teachers [12.239246363539634]
  既存の反復型機械教育の研究は、すべての指導例の真の答えを知っている教師がいると仮定している。 本研究では,そのような教師が存在しない教師なしの事例について考察する。 生徒は各イテレーションで指導例を与えられるが、対応するラベルが正しいかどうか保証はない。
  論文  参考訳（メタデータ） (2020-06-27T11:21:57Z)
• Weakly-Supervised Disentanglement Without Compromises [53.55580957483103]
  インテリジェントエージェントは、環境の変化を観察することで、有用な表現を学べるべきである。 変動の要因の少なくとも1つを共有する非I.d.画像のペアとしてそのような観測をモデル化する。 我々は,どの因子が変化したかのみを知るだけで,非絡み合った表現を学ぶのに十分であることを示す。
  論文  参考訳（メタデータ） (2020-02-07T16:39:31Z)

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。