Fugu-MT 論文翻訳(概要): A Combinatorial Approach to Neural Emergent Communication

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

arxiv url: http://arxiv.org/abs/2410.18806v2
Date: Tue, 03 Dec 2024 21:48:17 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-05 15:05:51.373146
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: ルイスシグナリングゲームにおける通信の成功は、トレーニングデータのサンプリング落とし穴のため、通常、ターゲット画像分類に1つか2つのシンボルしか必要としない。本稿では,メッセージ中のシンボルの最小数である分類のシンボリックな複雑性を解決するアルゴリズムSolveMinSymを提案する。
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 symbols for target image classification 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 solve the symbolic complexity for classification, which is the minimum number of symbols in the message for successful communication. We use the SMS algorithm to create datasets with different symbolic complexity to empirically show that data with higher symbolic complexity 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の実態調査では、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は通常、ターゲット画像分類に1つか2つのシンボルしか必要としない。この問題に対処するため、我々は、メッセージ中の最小数のシンボルである分類のシンボリックな複雑さを解決するために、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、異なるシンボルの複雑さを持つデータセットを作成し、シンボルの複雑さが高いデータが創発言語における効果的な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)
LARS-VSA: A Vector Symbolic Architecture For Learning with Abstract Rules [1.3049516752695616]
我々は、オブジェクトレベルの特徴を抽象ルールから分離し、限られた量のデータから学習できる「関係ボトルネック」を提案する。我々は「関係ボトルネック」戦略を高次元空間に適応させ、シンボルと関係表現の間の明示的なベクトル結合操作を取り入れた。我々のシステムは超次元空間における演算のオーバーヘッドが低いことの恩恵を受けており、様々なテストデータセットで評価すると、技術の状態よりもはるかに効率的である。
論文参考訳（メタデータ） (2024-05-23T11:05:42Z)
Unbounded quantum advantage in communication complexity measured by distinguishability [0.0]
タスクの複雑さを、それを達成するのに必要な最小限の識別可能性によって測定する。同じ成功度を達成するために必要となる、最小の識別可能性の古典-量子比が指数関数的にエスカレートすることを示す。
論文参考訳（メタデータ） (2024-01-23T16:48:59Z)
Symbolic Visual Reinforcement Learning: A Scalable Framework with Object-Level Abstraction and Differentiable Expression Search [63.3745291252038]
DiffSESは、離散的なシンボルポリシーを発見する新しいシンボリック学習手法である。生のピクセルレベルの入力の代わりにオブジェクトレベルの抽象化を使用することで、DiffSESはシンボリック表現の単純さとスケーラビリティの利点を活用することができる。我々の実験は、DiffSESが最先端のシンボルRL法よりもシンプルでスケーラブルなシンボリックポリシーを生成することができることを示した。
論文参考訳（メタデータ） (2022-12-30T17:50:54Z)
Semantic-Native Communication: A Simplicial Complex Perspective [50.099494681671224]
トポロジカル空間の観点から意味コミュニケーションを研究する。送信機はまずデータを$k$の単純複素数にマッピングし、その高次相関を学習する。受信機は構造を復号し、行方不明または歪んだデータを推測する。
論文参考訳（メタデータ） (2022-10-30T22:33:44Z)
Neuro-Symbolic Causal Reasoning Meets Signaling Game for Emergent Semantic Communications [71.63189900803623]
創発的SCシステムフレームワークを提案し,創発的言語設計のためのシグナリングゲームと因果推論のためのニューロシンボリック(NeSy)人工知能(AI)アプローチで構成されている。 ESCシステムは、意味情報、信頼性、歪み、類似性の新たな指標を強化するように設計されている。
論文参考訳（メタデータ） (2022-10-21T15:33:37Z)
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)
Imposing Relation Structure in Language-Model Embeddings Using Contrastive Learning [30.00047118880045]
グラフ構造における関係をエンコードするために文埋め込みを訓練する新しいコントラスト学習フレームワークを提案する。結果として得られた関係認識文の埋め込みは、関係抽出タスクにおける最先端の結果を得る。
論文参考訳（メタデータ） (2021-09-02T10:58:27Z)
Towards Emergent Language Symbolic Semantic Segmentation and Model Interpretability [0.6649753747542209]
ヒトが言語を介して複雑なアイデアを伝達する方法に触発されて、解釈可能なセグメンテーションのための一般化されたセマンティック(textS2$)フレームワークを開発した。敵対的モデル(例えば、GAN)とは異なり、私たちは、共通の目標を達成するために協力する必要がある2つのエージェント、Sender と Receiver の協力を明示的にモデル化する。 UNetのようなアーキテクチャを用いてシンボリック文を生成するSenderネットワークへの入力を生成し、受信側ネットワークは文に基づいてセグメンテーションマスクを共同生成する。
論文参考訳（メタデータ） (2020-07-18T15:06:12Z)
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。