論文の概要: A Combinatorial Approach to Neural Emergent Communication

• arxiv url: http://arxiv.org/abs/2410.18806v1
• Date: Thu, 24 Oct 2024 14:54:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 16:44:13.267601
• Title: A Combinatorial Approach to Neural Emergent Communication
• Title（参考訳）: ニューラル創発的コミュニケーションへのアベニアルアプローチ
• Authors: Zheyuan Zhang,
• Abstract要約: このゲームで成功したコミュニケーションには1つか2つの効果的なシンボルが必要だと我々は主張する。 ルイスシグナリングゲームにおける通信 min(|M|) を成功させるための最小のシンボル数を決定するアルゴリズムを導入する。 実験により,訓練データに対する min(|M|) の増加は創発言語における有効記号の数を増加させることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Substantial research on deep learning-based emergent communication uses the referential game framework, specifically the Lewis signaling game, however we argue that successful communication in this game typically only need one or two effective symbols (i.e. message length) because of a sampling pitfall in the training data. To address this issue, we provide a theoretical analysis and introduce a combinatorial algorithm SolveMinSym (SMS) to determine the minimum number of symbols for successful communication min(|M|) in the Lewis signaling game. We use SMS algorithm to create datasets with different min(|M|) to empirically show that higher min(|M|) for the training data increases the number of effective symbols in the emergent language.
• Abstract（参考訳）: 深層学習に基づく創発的コミュニケーションに関する実質的な研究は、参照ゲームフレームワーク、特にルイスシグナリングゲームを用いているが、トレーニングデータのサンプリング落とし穴のため、このゲームで成功したコミュニケーションには1つまたは2つの効果的なシンボル(すなわちメッセージ長)しか必要ないと我々は論じている。 この問題に対処するために、ルイス信号ゲームにおける通信 min(|M|) を成功させるために最小限のシンボル数を決定するために、理論的解析を行い、組合せアルゴリズムSolveMinSym(SMS)を導入する。 SMSアルゴリズムを用いて、異なる min(|M|) のデータセットを作成し、トレーニングデータに対する高い min(|M|) が創発言語における有効シンボルの数を増やすことを実証的に示す。

関連論文リスト

• Semantic Meta-Split Learning: A TinyML Scheme for Few-Shot Wireless Image Classification [50.28867343337997]
  本研究は,TinyMLを用いた無線画像分類のためのセマンティック・コミュニケーション・フレームワークを提案する。 我々は、プライバシ保護を確保しつつ、エンドユーザーによって実行される計算を制限するために分割学習を利用する。 メタ学習は、データ可用性の懸念を克服し、同様のトレーニングされたタスクを利用することで、トレーニングを高速化する。
  論文  参考訳（メタデータ） (2024-09-03T05:56:55Z)
• Asynchronous Local Computations in Distributed Bayesian Learning [8.516532665507835]
  本稿では,高速な計算と通信オーバヘッドを同時に低減するために,ゴシップに基づく通信を提案する。 我々は、特に低データ範囲において、より高速な初期収束と性能精度の向上を観察する。 UCI MLレポジトリのガンマ望遠鏡とmHealthデータセットで,それぞれ平均78%,90%以上の分類精度を達成した。
  論文  参考訳（メタデータ） (2023-11-06T20:11:41Z)
• Communication-Efficient Decentralized Federated Learning via One-Bit Compressive Sensing [52.402550431781805]
  分散連合学習(DFL)は、様々なアプリケーションにまたがる実用性によって人気を博している。 集中型バージョンと比較して、DFLの多数のノード間で共有モデルをトレーニングするのはより難しい。 我々は,iADM (iexact alternating direction method) の枠組みに基づく新しいアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-08-31T12:22:40Z)
• Speech-text based multi-modal training with bidirectional attention for improved speech recognition [26.47071418582507]
  ASRエンコーダ(ボット層)とテキストエンコーダ(テキストエンコーダ)をマルチモーダル学習法で共同学習するために,新しい双方向アテンション機構(BiAM)を提案する。 BiAMは特徴サンプリングレートの交換を促進することを目的としており、別の空間で測定すべきものに対する変換された特徴の品質を実現する。 Librispeech corpusの実験結果から、ペアデータ学習のみで最大6.15%のワードエラー率削減(WERR)を達成でき、また、より不適切なテキストデータを使用すると9.23%のWERRを実現することができる。
  論文  参考訳（メタデータ） (2022-11-01T08:25:11Z)
• Revisiting the Roles of "Text" in Text Games [102.22750109468652]
  本稿では,強化学習におけるテキストの役割について検討する。 本稿では,関連するコンテキスト情報を近似状態ハッシュに抽出する簡単な手法を提案する。 このような軽量なプラグインは最先端のテキストエージェントとの競合性能を実現する。
  論文  参考訳（メタデータ） (2022-10-15T21:52:39Z)
• Emergent Communication: Generalization and Overfitting in Lewis Games [53.35045559317384]
  ルイスシグナリングゲーム(Lewis signaling game)は、言語の出現をシミュレートする単純なコミュニケーションゲームの一種である。 これらのゲームでは、2人のエージェントが協調的なタスクを解決するために通信プロトコルに合意しなければなりません。 これまでの研究によると、強化学習でこのゲームをプレイするように訓練されたエージェントは、望ましくない性質を示す言語を開発する傾向がある。
  論文  参考訳（メタデータ） (2022-09-30T09:50:46Z)
• Multimodal Learning using Optimal Transport for Sarcasm and Humor Detection [76.62550719834722]
  会話ビデオと画像テキストのペアからマルチモーダルサルカズムとユーモアを検出する。 本稿では,モーダル内対応を利用したマルチモーダル学習システム MuLOT を提案する。 3つのベンチマークデータセット上で,マルチモーダルサルカズムとユーモア検出のためのアプローチを検証した。
  論文  参考訳（メタデータ） (2021-10-21T07:51:56Z)
• Contrastive String Representation Learning using Synthetic Data [0.0]
  文字列表現学習(SRL)の目的は、文字列を符号化する密度と低次元のベクトルを学習することである。 合成データのみを用いてSRLモデルを学習するための新しい手法を提案する。 文字列類似性マッチングのタスクにおける学習された表現を評価することによって,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-10-08T16:06:54Z)
• Closed Loop Neural-Symbolic Learning via Integrating Neural Perception, Grammar Parsing, and Symbolic Reasoning [134.77207192945053]
  従来の手法は強化学習アプローチを用いてニューラルシンボリックモデルを学ぶ。 我々は,脳神経知覚と記号的推論を橋渡しする前に,textbfgrammarモデルをテキストシンボリックとして導入する。 本稿では,トップダウンのヒューマンライクな学習手順を模倣して誤りを伝播する新しいtextbfback-searchアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:42:49Z)

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。