論文の概要: Rule by Rule: Learning with Confidence through Vocabulary Expansion

• arxiv url: http://arxiv.org/abs/2411.00049v1
• Date: Wed, 30 Oct 2024 07:54:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:51:34.305449
• Title: Rule by Rule: Learning with Confidence through Vocabulary Expansion
• Title（参考訳）: ルール・バイ・ルール:語彙拡大による信頼による学習
• Authors: Albert Nössig, Tobias Hell, Georg Moser,
• Abstract要約: テキストベースのデータに特化して設計されたルール学習に革新的な反復的アプローチを提案する。 生成したルールの信頼性を示す指標として信頼性の価値を導入する。 各種テキストおよび非テキストデータセットに対する広範囲な実験により,本手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this paper, we present an innovative iterative approach to rule learning specifically designed for (but not limited to) text-based data. Our method focuses on progressively expanding the vocabulary utilized in each iteration resulting in a significant reduction of memory consumption. Moreover, we introduce a Value of Confidence as an indicator of the reliability of the generated rules. By leveraging the Value of Confidence, our approach ensures that only the most robust and trustworthy rules are retained, thereby improving the overall quality of the rule learning process. We demonstrate the effectiveness of our method through extensive experiments on various textual as well as non-textual datasets including a use case of significant interest to insurance industries, showcasing its potential for real-world applications.
• Abstract（参考訳）: 本稿では,テキストベースのデータに特化して設計されたルール学習のイノベーティブな反復的アプローチを提案する。 本手法は,各反復で使用する語彙を段階的に拡張し,メモリ消費を大幅に削減することに焦点を当てる。 さらに、生成したルールの信頼性を示す指標として信頼の値を導入する。 信頼の価値を活用することで、我々のアプローチは最も堅牢で信頼できるルールのみが維持されることを保証し、それによってルール学習プロセスの全体的な品質が向上します。 本手法の有効性を, 各種テキストおよび非テキストデータセットの広範な実験により実証し, 現実の応用の可能性を示す。

関連論文リスト

• FecTek: Enhancing Term Weight in Lexicon-Based Retrieval with Feature Context and Term-level Knowledge [54.61068946420894]
  FEature Context と TErm レベルの知識モジュールを導入して,革新的な手法を提案する。 項重みの特徴コンテキスト表現を効果的に強化するために、FCM(Feature Context Module)が導入された。 また,用語レベルの知識を効果的に活用し,用語重みのモデル化プロセスをインテリジェントに導くための用語レベルの知識誘導モジュール(TKGM)を開発した。
  論文  参考訳（メタデータ） (2024-04-18T12:58:36Z)
• Adverb Is the Key: Simple Text Data Augmentation with Adverb Deletion [8.406910685074136]
  ルールベースの手法は、コスト効率のために現実世界のアプリケーションに広く採用されている。 副詞の直接削除によってこのような現象を回避する新しいテキストデータ拡張戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-29T07:01:39Z)
• Online Estimation and Inference for Robust Policy Evaluation in Reinforcement Learning [7.875680651592574]
  本研究では,バハドゥル表現に基づくオンラインロバストな政策評価手法を開発し,推定器の限定分布を確立する。 本稿では、強化学習における頑健な統計と統計的推測のギャップを埋め、より汎用的で信頼性の高い政策評価手法を提供する。
  論文  参考訳（メタデータ） (2023-10-04T04:57:35Z)
• Learning Symbolic Rules over Abstract Meaning Representations for Textual Reinforcement Learning [63.148199057487226]
  本稿では,汎用的な意味一般化とルール誘導システムを組み合わせて,解釈可能なルールをポリシーとして学習するモジュール型 NEuroSymbolic Textual Agent (NESTA) を提案する。 実験の結果,NESTA法は,未確認テストゲームや少ないトレーニングインタラクションから学習することで,深層強化学習技術よりも優れることがわかった。
  論文  参考訳（メタデータ） (2023-07-05T23:21:05Z)
• Factually Consistent Summarization via Reinforcement Learning with Textual Entailment Feedback [57.816210168909286]
  我々は,この問題を抽象的な要約システムで解くために,テキストエンテーメントモデルの最近の進歩を活用している。 我々は、事実整合性を最適化するために、レファレンスフリーのテキストエンターメント報酬を用いた強化学習を用いる。 自動測定と人的評価の両結果から,提案手法は生成した要約の忠実さ,サリエンス,簡潔さを著しく向上させることが示された。
  論文  参考訳（メタデータ） (2023-05-31T21:04:04Z)
• Towards Theoretical Understanding of Data-Driven Policy Refinement [0.0]
  本稿では、特に安全クリティカルなアプリケーションのために設計された強化学習におけるデータ駆動型ポリシー改善のアプローチを提案する。 我々の主な貢献は、このデータ駆動政策改善の概念の数学的定式化にある。 我々は、収束性、ロバスト性境界、一般化誤差、モデルミスマッチに対するレジリエンスなど、我々のアプローチの重要な理論的性質を解明する一連の定理を提示する。
  論文  参考訳（メタデータ） (2023-05-11T13:36:21Z)
• Semantics-Preserved Distortion for Personal Privacy Protection in Information Management [65.08939490413037]
  本稿では,意味的整合性を維持しつつテキストを歪ませる言語学的アプローチを提案する。 本稿では, 意味保存歪みの枠組みとして, 生成的アプローチと置換的アプローチの2つを提示する。 また、特定の医療情報管理シナリオにおけるプライバシ保護についても検討し、機密データの記憶を効果的に制限していることを示す。
  論文  参考訳（メタデータ） (2022-01-04T04:01:05Z)
• Obtaining Better Static Word Embeddings Using Contextual Embedding Models [53.86080627007695]
  提案手法はCBOWをベースとした簡易な蒸留法である。 副作用として、我々の手法は文脈的および静的な埋め込みの公正な比較を可能にする。
  論文  参考訳（メタデータ） (2021-06-08T12:59:32Z)
• Continual Learning for Text Classification with Information Disentanglement Based Regularization [18.258948837964724]
  テキスト分類に基づく連続学習のための情報分散に基づく正規化手法を提案する。 大規模ベンチマーク実験の結果,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-04-12T14:17:43Z)
• CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
  強化学習における高信頼行動非依存のオフ政治評価について検討する。 様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
  論文  参考訳（メタデータ） (2020-10-22T12:39:11Z)

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。