Fugu-MT 論文翻訳(概要): A Crucial Parameter for Rank-Frequency Relation in Natural Languages

論文の概要: A Crucial Parameter for Rank-Frequency Relation in Natural Languages

arxiv url: http://arxiv.org/abs/2402.00271v1
Date: Thu, 1 Feb 2024 01:45:46 GMT
ステータス: 処理完了
システム内更新日: 2024-02-02 16:46:23.345512
Title: A Crucial Parameter for Rank-Frequency Relation in Natural Languages
Title（参考訳）: 自然言語におけるランク周波数関係の時間的パラメータ
Authors: Chenchen Ding
Abstract要約: この研究は、定式化における唯一の重要なパラメータが$gamma$であり、コーパス上の語彙成長に対する抵抗を描いていることを示している。最適な$gamma$を探索してパラメータ推定を行う手法を提案し,その計算に技術的に「ゼロワード」を導入した。
参考スコア（独自算出の注目度）: 4.090445528017323
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: $f \propto r^{-\alpha} \cdot (r+\gamma)^{-\beta}$ has been empirically shown more precise than a na\"ive power law $f\propto r^{-\alpha}$ to model the rank-frequency ($r$-$f$) relation of words in natural languages. This work shows that the only crucial parameter in the formulation is $\gamma$, which depicts the resistance to vocabulary growth on a corpus. A method of parameter estimation by searching an optimal $\gamma$ is proposed, where a ``zeroth word'' is introduced technically for the calculation. The formulation and parameters are further discussed with several case studies.
Abstract（参考訳）: $f \propto r^{-\alpha} \cdot (r+\gamma)^{-\beta}$は、自然言語における単語のランク-周波数(r$-$f$)関係をモデル化するために、na\\\ive power law $f\propto r^{-\alpha}$より実験的に示されている。この研究は、定式化における唯一の重要なパラメータが$\gamma$であり、コーパス上の語彙成長に対する抵抗を描いていることを示している。最適な$\gamma$ を探索するパラメータ推定法を提案し、計算のために ``zeroth word''' を技術的に導入する。定式化とパラメータはいくつかのケーススタディでさらに議論されている。

関連論文リスト

Monge-Kantorovich Fitting With Sobolev Budgets [6.748324975906262]
近似の性能をMonge-Kantorovich $p$-costで定量化する。次に、ソボレフ予算の制約の下で、機能的$mathscrJ_p(f)$を最小化するものとして問題を再構築する。
論文参考訳（メタデータ） (2024-09-25T01:30:16Z)
Tight Bounds for $\gamma$-Regret via the Decision-Estimation Coefficient [88.86699022151598]
任意の構造化バンディット問題に対する$gamma$-regretの統計的特徴を与える。この$gamma$-regretは、関数クラス$mathcalF$上の構造化バンディット問題に現れる。
論文参考訳（メタデータ） (2023-03-06T17:54:33Z)
Adaptive Stochastic Variance Reduction for Non-convex Finite-Sum Minimization [52.25843977506935]
有限サム構造をもつ$L$-smooth, non-deuction関数に対して, AdaSpider と呼ばれる適応分散法を提案する。そうすることで、$tildeOleft + st/epsilonコールで$epsilon-stationaryポイントを計算することができます。
論文参考訳（メタデータ） (2022-11-03T14:41:46Z)
A Spectral Approach to Item Response Theory [6.5268245109828005]
本稿では,Raschモデルに対する新しい項目推定アルゴリズムを提案する。我々のアルゴリズムの中核は、アイテム-イムグラフ上で定義されたマルコフ連鎖の定常分布の計算である。合成および実生活データセットの実験により、我々のアルゴリズムは、文献でよく使われている手法とスケーラブルで正確で競合することを示した。
論文参考訳（メタデータ） (2022-10-09T18:57:08Z)
Nearly Minimax Optimal Reinforcement Learning with Linear Function Approximation [25.60689712525918]
本稿では,遷移確率と報酬関数が線形な線形関数近似を用いた強化学習について検討する。本稿では,新たなアルゴリズムLSVI-UCB$+$を提案し,$H$がエピソード長,$d$が特徴次元,$T$がステップ数である場合に,$widetildeO(HdsqrtT)$ regretboundを実現する。
論文参考訳（メタデータ） (2022-06-23T06:04:21Z)
A self-consistent systematic optimization of range-separated hybrid functionals from first principles [0.0]
我々は、最適調整(OT)レンジ分離ハイブリッド(RSH)関数の開発のための、自己一貫性のある体系的最適化手順を示す。サイズ依存に基づくアンサッツ、すなわち、RSパラメータ、$gamma$は密度の関数、$rho(mathbfr)$は、あまり知られていない。パラメータ $gamma_mathrmOT$ は従来の RSH 関数よりも特性予測性能がよいことがわかった。
論文参考訳（メタデータ） (2022-05-18T16:23:37Z)
Nearly Optimal Policy Optimization with Stable at Any Time Guarantee [53.155554415415445]
citetshani 2020optimisticのポリシーベースのメソッドは、$tildeO(sqrtSAH3K + sqrtAH4K)$である。$S$は状態の数、$A$はアクションの数、$H$は地平線、$K$はエピソードの数、$sqrtSH$は情報理論の下限の$tildeOmega(sqrtSAH)と比べてギャップがある。
論文参考訳（メタデータ） (2021-12-21T01:54:17Z)
Randomized Exploration for Reinforcement Learning with General Value Function Approximation [122.70803181751135]
本稿では,ランダム化最小二乗値反復(RLSVI)アルゴリズムに着想を得たモデルレス強化学習アルゴリズムを提案する。提案アルゴリズムは,スカラーノイズを用いたトレーニングデータを簡易に摂動させることにより,探索を促進する。我々はこの理論を、既知の困難な探査課題にまたがる実証的な評価で補完する。
論文参考訳（メタデータ） (2021-06-15T02:23:07Z)
Nearly Optimal Regret for Learning Adversarial MDPs with Linear Function Approximation [92.3161051419884]
我々は、敵対的な報酬と完全な情報フィードバックで有限正方体エピソディックマルコフ決定プロセスのための強化学習を研究します。我々は、$tildeO(dHsqrtT)$ regretを達成できることを示し、$H$はエピソードの長さである。また、対数因子までの$tildeOmega(dHsqrtT)$の値が一致することを証明する。
論文参考訳（メタデータ） (2021-02-17T18:54:08Z)
Variational Orthogonal Features [29.636483122130027]
我々は,ある先行して,エビデンスローバウンド(ELBO)のミニバッチ推定を$mathcalO(M3)$コストで計算する機能を定義できることを示す。我々は,不偏推定器をELBOに,$mathcalO(tildeNT+M2T)$および$mathcalO(tildeNT+MT)$で$T$ Monte Carloサンプルを用いて計算できる固定前カーネルの構成について述べる。
論文参考訳（メタデータ） (2020-06-23T17:18:07Z)
Provably Efficient Reinforcement Learning for Discounted MDPs with Feature Mapping [99.59319332864129]
本稿では,割引決定(MDP)のための強化学習について検討する。本稿では,特徴写像を利用した新しいアルゴリズムを提案し,$tilde O(dsqrtT/ (1-gamma)2)$ regretを求める。以上の結果から,提案した強化学習アルゴリズムは,最大1-γ-0.5$の係数でほぼ最適であることが示唆された。
論文参考訳（メタデータ） (2020-06-23T17:08:54Z)

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。