論文の概要: Unsupervised Cognition

• arxiv url: http://arxiv.org/abs/2409.18624v2
• Date: Thu, 07 Nov 2024 14:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-09 00:49:05.029346
• Title: Unsupervised Cognition
• Title（参考訳）: 教師なし認知
• Authors: Alfredo Ibias, Hector Antona, Guillem Ramirez-Miranda, Enric Guinovart, Eduard Alarcon,
• Abstract要約: 本稿では,新しい認知フレームワークに触発された意思決定のための,プリミティブベースの教師なし学習手法を提案する。 この表現中心のアプローチは、入力空間を入力に依存しない方法で分散階層構造として構成的にモデル化する。 提案手法が従来の非教師なし学習分類よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.5069344340760713
• License:
• Abstract: Unsupervised learning methods have a soft inspiration in cognition models. To this day, the most successful unsupervised learning methods revolve around clustering samples in a mathematical space. In this paper we propose a state-of-the-art, primitive-based, unsupervised learning approach for decision-making inspired by a novel cognition framework. This representation-centric approach models the input space constructively as a distributed hierarchical structure in an input-agnostic way. We compared our approach with both current state-of-the-art unsupervised learning classification, and with current state-of-the-art cancer type classification. We show how our proposal outperforms previous state-of-the-art. We also evaluate some cognition-like properties of our proposal where it not only outperforms the compared algorithms (even supervised learning ones), but it also shows a different, more cognition-like, behaviour.
• Abstract（参考訳）: 教師なし学習法は認知モデルにソフトインスピレーションを与える。 今日まで、最も成功した教師なし学習手法は、数学的空間におけるクラスタリングサンプルを中心に展開されている。 本稿では,新しい認知フレームワークに触発された意思決定のための,最先端でプリミティブな教師なし学習手法を提案する。 この表現中心のアプローチは、入力空間を入力に依存しない方法で分散階層構造として構成的にモデル化する。 我々は現在最先端の教師なし学習分類と現在最先端のがん型分類を比較した。 我々は、我々の提案が過去の最先端よりもいかに優れているかを示す。 また、比較アルゴリズム(教師付き学習アルゴリズムでさえも)より優れるだけでなく、より認知的な行動を示す提案の認知的特性も評価する。

関連論文リスト

• Leveraging Hierarchical Taxonomies in Prompt-based Continual Learning [42.03016266965012]
  深層学習モデルの学習において,情報の整理・接続という人間の習慣を適用することが効果的な戦略として有効であることがわかった。 本稿では,モデルがより挑戦的な知識領域に集中するように促す新たな正規化損失関数を提案する。
  論文  参考訳（メタデータ） (2024-10-06T01:30:40Z)
• Knowledge Discovery using Unsupervised Cognition [2.6563873893593826]
  Unsupervised Cognitionは、学習したデータのモデリングに焦点を当てた、新しい教師なし学習アルゴリズムである。 本稿では,すでに訓練済みの教師なし認知モデルを用いて知識発見を行う3つの手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T08:07:29Z)
• SelEx: Self-Expertise in Fine-Grained Generalized Category Discovery [55.72840638180451]
  Generalized Category Discoveryは、新しいカテゴリーを同時に発見し、既知のカテゴリを正確に分類することを目的としている。 自己超越と対照的な学習に強く依存する伝統的な手法は、細かなカテゴリーを区別する場合にしばしば不足する。 モデルが微妙な違いを認識し、未知のカテゴリを明らかにする能力を高める。
  論文  参考訳（メタデータ） (2024-08-26T15:53:50Z)
• Exploiting Fine-Grained Prototype Distribution for Boosting Unsupervised Class Incremental Learning [13.17775851211893]
  本稿では,教師なしクラスインクリメンタルラーニング(UCIL)の課題について検討する。 この問題に対処することの本質は、包括的特徴表現を効果的に捉え、未知の新しいクラスを発見することである。 本稿では,新しいクラスと既存クラスの重複を最小限に抑え,歴史的知識を保存し,破滅的な忘れの現象を緩和する戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-19T14:38:27Z)
• A review on discriminative self-supervised learning methods [6.24302896438145]
  ラベルのないデータからロバストな特徴を抽出する手法として自己教師付き学習が登場した。 本稿では,コンピュータビジョン分野における自己教師型学習の差別的アプローチについて概説する。
  論文  参考訳（メタデータ） (2024-05-08T11:15:20Z)
• A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
  自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。 自己教師型学習のための生成潜在変数モデルを提案する。 対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
  論文  参考訳（メタデータ） (2024-02-02T13:31:17Z)
• Semi-supervised learning made simple with self-supervised clustering [65.98152950607707]
  自己教師付き学習モデルは、人間のアノテーションを必要とせずにリッチな視覚表現を学習することが示されている。 本稿では,クラスタリングに基づく自己教師付き手法を半教師付き学習者へと変換する,概念的に単純だが経験的に強力な手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T01:09:18Z)
• Evaluating Disentanglement in Generative Models Without Knowledge of Latent Factors [71.79984112148865]
  本稿では,学習中に提示される学習力学に基づいて生成モデルのランキング付けを行う手法を提案する。 本手法は,近年の解離の理論的特徴から着想を得たものであり,その根底にある潜伏因子の監督は不要である。
  論文  参考訳（メタデータ） (2022-10-04T17:27:29Z)
• A Low Rank Promoting Prior for Unsupervised Contrastive Learning [108.91406719395417]
  提案手法は,従来の低階の促進をコントラスト学習の枠組みに効果的に組み込む新しい確率的グラフィカルモデルを構築する。 我々の仮説は、同じインスタンスクラスに属するすべてのサンプルが、小さな次元の同じ部分空間上にあることを明示的に要求する。 実証的な証拠は、提案アルゴリズムが複数のベンチマークにおける最先端のアプローチを明らかに上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-05T15:58:25Z)
• Reinforcement Learning as Iterative and Amortised Inference [62.997667081978825]
  我々は、この制御を推論フレームワークとして使用し、償却および反復推論に基づく新しい分類スキームを概説する。 この観点から、比較的探索されていないアルゴリズム設計空間の一部を特定できることを示す。
  論文  参考訳（メタデータ） (2020-06-13T16:10:03Z)

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。

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。