Fugu-MT 論文翻訳(概要): A Unified Framework for Human-Allied Learning of Probabilistic Circuits

論文の概要: A Unified Framework for Human-Allied Learning of Probabilistic Circuits

arxiv url: http://arxiv.org/abs/2405.02413v1
Date: Fri, 3 May 2024 18:14:29 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 20:00:04.563930
Title: A Unified Framework for Human-Allied Learning of Probabilistic Circuits
Title（参考訳）: 確率回路の人間適応学習のための統一フレームワーク
Authors: Athresh Karanam, Saurabh Mathur, Sahil Sidheekh, Sriraam Natarajan,
Abstract要約: 確率回路(PC)は、複雑な確率分布を表現および学習するための効率的なフレームワークとして登場した。多様なドメイン知識をPCのパラメータ学習プロセスに統合できる新しい統合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）: 9.153589597382082
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Probabilistic Circuits (PCs) have emerged as an efficient framework for representing and learning complex probability distributions. Nevertheless, the existing body of research on PCs predominantly concentrates on data-driven parameter learning, often neglecting the potential of knowledge-intensive learning, a particular issue in data-scarce/knowledge-rich domains such as healthcare. To bridge this gap, we propose a novel unified framework that can systematically integrate diverse domain knowledge into the parameter learning process of PCs. Experiments on several benchmarks as well as real world datasets show that our proposed framework can both effectively and efficiently leverage domain knowledge to achieve superior performance compared to purely data-driven learning approaches.
Abstract（参考訳）: 確率回路(PC)は、複雑な確率分布を表現および学習するための効率的なフレームワークとして登場した。それでも、PCに関する既存の研究機関は、主にデータ駆動型パラメータ学習に焦点を合わせ、知識集約学習の可能性を無視している。このギャップを埋めるため、我々は多様なドメイン知識をPCのパラメータ学習プロセスに体系的に統合できる新しい統合フレームワークを提案する。いくつかのベンチマークと実世界のデータセットの実験により、提案するフレームワークは、純粋にデータ駆動学習アプローチと比較して、ドメイン知識を効果的かつ効率的に活用し、優れたパフォーマンスを達成することができることが示された。

関連論文リスト

A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文参考訳（メタデータ） (2024-09-18T14:57:13Z)
Fairness, Accuracy, and Unreliable Data [0.0]
本論文は,機械学習の信頼性向上を目的とした3つの領域,機械学習の公正性,戦略的分類,アルゴリズム的堅牢性について考察する。この論文全体のテーマは、古典的な学習理論の仮定と、野生におけるデータ分布の特定の性質とのミスマッチのため、平易な経験的リスク最小化アルゴリズムが誤解を招くか、効果がないかという方法を考えることである。
論文参考訳（メタデータ） (2024-08-28T17:44:08Z)
Domain Generalizable Knowledge Tracing via Concept Aggregation and Relation-Based Attention [10.95112067894146]
本稿では,知識追跡のための領域一般化手法を提案する。また,多様な領域からの学生同士の相互作用のシーケンスにおける概念格差を低減するために,概念集約アプローチを提案する。運動情報を完全に活用するために,ドメイン一般化KTタスクに適した知識追跡モデルDGRKTを提案する。
論文参考訳（メタデータ） (2024-07-02T13:13:44Z)
Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection [0.0]
オープンセット認識(OSR)は、より現実に近い状況に分類タスクを導入することを目的としている。本研究は,OSRタスクの分類を改善するために,特徴空間の新たな表現を探索するアルゴリズムを提供する。
論文参考訳（メタデータ） (2024-05-09T15:15:34Z)
A Unified and General Framework for Continual Learning [58.72671755989431]
継続学習(CL)は、以前取得した知識を維持しながら、動的かつ変化するデータ分布から学ぶことに焦点を当てている。正規化ベース、ベイズベース、メモリ再生ベースなど、破滅的な忘れ込みの課題に対処する様々な手法が開発されている。本研究の目的は,既存の方法論を包含し,整理する包括的かつ包括的な枠組みを導入することで,このギャップを埋めることである。
論文参考訳（メタデータ） (2024-03-20T02:21:44Z)
Making Machine Learning Datasets and Models FAIR for HPC: A Methodology and Case Study [0.0]
FAIR Guiding Principlesは、デジタルコンテンツの発見可能性、アクセシビリティ、相互運用性、再利用性を改善することを目的としている。これらの原則は、ハイパフォーマンスコンピューティングのための機械学習ベースのプログラム分析と最適化の分野において、まだ広く採用されていない。我々は、既存のFAIRness評価と改善技術を調査した後、HPCデータセットと機械学習モデルFAIRを作成する手法を設計する。
論文参考訳（メタデータ） (2022-11-03T18:45:46Z)
Modeling Multiple Views via Implicitly Preserving Global Consistency and Local Complementarity [61.05259660910437]
複数の視点から表現を学習するために,グローバルな一貫性と相補性ネットワーク(CoCoNet)を提案する。グローバルな段階では、重要な知識はビュー間で暗黙的に共有され、そのような知識を捕捉するためのエンコーダの強化は、学習された表現の識別性を向上させることができる。最後に、局所的な段階において、横断的な識別的知識を結合する相補的要素を提案し、また、エンコーダが視点的識別性だけでなく、横断的な相補的情報も学習するように誘導する。
論文参考訳（メタデータ） (2022-09-16T09:24:00Z)
An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文参考訳（メタデータ） (2021-08-09T17:39:09Z)
LENAS: Learning-based Neural Architecture Search and Ensemble for 3D Radiotherapy Dose Prediction [42.38793195337463]
本稿では3次元放射線治療線量予測のための知識蒸留とニューラルネットワーク検索を統合した,学習に基づく新しいアンサンブル手法 LENAS を提案する。当社のアプローチは、巨大なアーキテクチャ空間から各ブロックを徹底的に検索して、有望なパフォーマンスを示す複数のアーキテクチャを識別することから始まります。モデルアンサンブルによってもたらされる複雑さを軽減するため、教師-学生パラダイムを採用し、複数の学習ネットワークからの多様な出力を監視信号として活用する。
論文参考訳（メタデータ） (2021-06-12T10:08:52Z)
Towards Understanding Ensemble, Knowledge Distillation and Self-Distillation in Deep Learning [93.18238573921629]
本研究では,学習モデルのアンサンブルがテスト精度を向上させる方法と,アンサンブルの優れた性能を単一モデルに蒸留する方法について検討する。深層学習におけるアンサンブル/知識蒸留は,従来の学習理論とは大きく異なる。また, 自己蒸留は, アンサンブルと知識蒸留を暗黙的に組み合わせて, 試験精度を向上させることができることを示した。
論文参考訳（メタデータ） (2020-12-17T18:34:45Z)
Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。