論文の概要: What is the relationship between Slow Feature Analysis and the Successor Representation?

• arxiv url: http://arxiv.org/abs/2409.16991v1
• Date: Wed, 25 Sep 2024 14:57:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 03:15:16.445858
• Title: What is the relationship between Slow Feature Analysis and the Successor Representation?
• Title（参考訳）: スロー特徴分析と継承表現の関係について
• Authors: Eddie Seabrook, Laurenz Wiskott,
• Abstract要約: 遅い特徴解析(SFA)と後継表現(SR)の比較 SFAとSRは、機械学習の異なる分野に由来するが、それらは数学と、それらが敏感である情報のタイプの両方において、重要な特性を共有している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: (This is a work in progress. Feedback is welcome) An analytical comparison is made between slow feature analysis (SFA) and the successor representation (SR). While SFA and the SR stem from distinct areas of machine learning, they share important properties, both in terms of their mathematics and the types of information they are sensitive to. This work studies their connection along these two axes. In particular, multiple variants of the SFA algorithm are explored analytically and then applied to the setting of an MDP, leading to a family of eigenvalue problems involving the SR and other related quantities. These resulting eigenvalue problems are then illustrated in the toy setting of a gridworld, where it is demonstrated that the place- and grid-like fields often associated to the SR can equally be generated using SFA.
• Abstract（参考訳）: (これは進行中の作業です。フィードバックは歓迎です) 遅い特徴解析(SFA)と後継表現(SR)を解析的に比較する。 SFAとSRは、機械学習の異なる分野に由来するが、それらは数学と、それらが敏感である情報のタイプの両方において、重要な特性を共有している。 この研究は、これらの2つの軸に沿った関係を研究する。 特に、SFAアルゴリズムの複数の変種を解析的に探索し、MDPの設定に適用し、SRや他の関連する量を含む固有値問題の族に繋がる。 これらの結果の固有値問題は、格子世界のおもちゃの設定で説明され、そこでは、しばしばSRに付随する位置や格子のような場が、SFAを用いて等しく生成できることが示される。

関連論文リスト

• Identifiability Analysis of Linear ODE Systems with Hidden Confounders [45.14890063421295]
  本稿では,隠れた共同設立者を組み込んだ線形ODEシステムにおける識別可能性の体系的解析について述べる。 最初のケースでは、潜伏した共同設立者は因果関係を示さないが、その進化は特定の形態に固執する。 その後、この分析を、隠れた共同創設者が因果依存性を示すシナリオにまで拡張する。
  論文  参考訳（メタデータ） (2024-10-29T10:15:56Z)
• iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models [48.33685559041322]
  本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
  論文  参考訳（メタデータ） (2023-06-30T01:48:11Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Opening the random forest black box by the analysis of the mutual impact of features [0.0]
  ランダム林における特徴の相互影響に着目した2つの新しいアプローチを提案する。 MFIとMIRは、機能と成果の間の複雑な関係に光を当てることを非常に約束しています。
  論文  参考訳（メタデータ） (2023-04-05T15:03:46Z)
• Mining Relations among Cross-Frame Affinities for Video Semantic Segmentation [87.4854250338374]
  関連性間の関係を, 単一スケールの内在的相関と多スケールの関係という2つの側面で検討する。 実験により,提案手法は最先端のVSS法に対して好適に動作することを示した。
  論文  参考訳（メタデータ） (2022-07-21T12:12:36Z)
• GSR: A Generalized Symbolic Regression Approach [13.606672419862047]
  本論文では, 一般化記号回帰について述べる。 GSR法は、よく知られたシンボリック回帰ベンチマーク問題セットにおいて、最先端のいくつかの手法よりも優れていることを示す。 既存のベンチマークと比較して、より困難な新しいSRベンチマークセットであるSymSetを導入することで、GSRの強みを強調します。
  論文  参考訳（メタデータ） (2022-05-31T07:20:17Z)
• Feature Selection for Imbalanced Data with Deep Sparse Autoencoders Ensemble [0.5352699766206808]
  クラスの不均衡は、学習アルゴリズムの多くのドメインアプリケーションで一般的な問題です。 本稿では,Deep Sparse AutoEncoders Ensembleの再構成誤差に基づいて,フィルタFSアルゴリズムのランク付け機能を提案する。 サンプルサイズの異なる高次元データセットに対する実験において,本アルゴリズムの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2021-03-22T09:17:08Z)
• Fundamental Limits and Tradeoffs in Invariant Representation Learning [99.2368462915979]
  多くの機械学習アプリケーションは、2つの競合する目標を達成する表現を学習する。 ミニマックスゲーム理論の定式化は、精度と不変性の基本的なトレードオフを表す。 分類と回帰の双方において,この一般的かつ重要な問題を情報論的に解析する。
  論文  参考訳（メタデータ） (2020-12-19T15:24:04Z)
• Transformer-based Multi-Aspect Modeling for Multi-Aspect Multi-Sentiment Analysis [56.893393134328996]
  本稿では,複数の側面間の潜在的な関係を抽出し,文中のすべての側面の感情を同時に検出できるトランスフォーマーベースのマルチアスペクトモデリング手法を提案する。 本手法はBERTやRoBERTaといった強力なベースラインと比較して顕著な改善を実現している。
  論文  参考訳（メタデータ） (2020-11-01T11:06:31Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)

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。