Fugu-MT 論文翻訳(概要): Barriers to Complexity-Theoretic Proofs that Achieving AGI Using Machine Learning is Intractable

論文の概要: Barriers to Complexity-Theoretic Proofs that Achieving AGI Using Machine Learning is Intractable

arxiv url: http://arxiv.org/abs/2411.06498v1
Date: Sun, 10 Nov 2024 15:47:30 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-12 14:09:50.433338
Title: Barriers to Complexity-Theoretic Proofs that Achieving AGI Using Machine Learning is Intractable
Title（参考訳）: 複雑度理論への障壁-機械学習を用いたAGIの獲得は難解である
Authors: Michael Guerzhoy,
Abstract要約: 最近の論文は、データから学ぶことによる人間のような知性を達成することは、複雑性理論的な意味で難解であることが証明されたと主張している。証明は、システムへの(入力、出力)ペアの分布に関する不当な仮定に依存している。証明を修復する上での2つの基本的な障壁の文脈で、この仮定を簡潔に議論する。
参考スコア（独自算出の注目度）: 4.057470201629211
License:
Abstract: A recent paper (van Rooij et al. 2024) claims to have proved that achieving human-like intelligence using learning from data is intractable in a complexity-theoretic sense. We identify that the proof relies on an unjustified assumption about the distribution of (input, output) pairs to the system. We briefly discuss that assumption in the context of two fundamental barriers to repairing the proof: the need to precisely define ``human-like," and the need to account for the fact that a particular machine learning system will have particular inductive biases that are key to the analysis.
Abstract（参考訳）: 最近の論文(van Rooij et al 2024)では、データから学ぶことによる人間のような知性を達成することは、複雑性理論的な意味で難解であることが証明されたと主張している。証明は、システムへの(入力、出力)ペアの分布に関する不当な仮定に依存している。証明を正確に定義する必要性と、特定の機械学習システムが分析の鍵となる特定の帰納的バイアスを持つという事実を考慮する必要性である。

関連論文リスト

Sufficient and Necessary Explanations (and What Lies in Between) [6.9035001722324685]
本稿では,汎用機械学習モデルにおける特徴重要度に関する2つの正確な概念について考察する。本稿では,必要十分軸に沿って連続体を探索することによって,これらの制限を回避することの重要性の統一概念を提案する。
論文参考訳（メタデータ） (2024-09-30T15:50:57Z)
Learning Guided Automated Reasoning: A Brief Survey [5.607616497275423]
これまでに開発されてきたいくつかの自動推論・定理証明領域と学習・AI手法の概要について概説する。これには、前提選択、いくつかの設定での証明ガイダンス、推論と学習を繰り返すフィードバックループ、象徴的な分類問題が含まれる。
論文参考訳（メタデータ） (2024-03-06T19:59:17Z)
A Hybrid System for Systematic Generalization in Simple Arithmetic Problems [70.91780996370326]
本稿では,記号列に対する合成的および体系的推論を必要とする算術的問題を解くことができるハイブリッドシステムを提案する。提案システムは,最も単純なケースを含むサブセットでのみ訓練された場合においても,ネストした数式を正確に解くことができることを示す。
論文参考訳（メタデータ） (2023-06-29T18:35:41Z)
The role of prior information and computational power in Machine Learning [0.0]
本稿では,事前情報と計算能力を用いて学習問題を解決する方法について論じる。我々は高い計算能力を利用することは高い性能の利点があると主張している。
論文参考訳（メタデータ） (2022-10-31T20:39:53Z)
Logical Satisfiability of Counterfactuals for Faithful Explanations in NLI [60.142926537264714]
本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。これは、説明に表される論理述語に基づいて、反実仮説を生成する。そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
論文参考訳（メタデータ） (2022-05-25T03:40:59Z)
Exploiting Reasoning Chains for Multi-hop Science Question Answering [51.86289192292466]
我々のフレームワークは、コーパス固有のアノテーションを必要とせずに説明可能な推論を行うことができる。ローカルチェーン情報とグローバルチェーン情報の両方に関するTextitChain対応の損失は、生成されたチェーンが遠隔監視信号として機能するようにも設計されている。
論文参考訳（メタデータ） (2021-09-07T07:22:07Z)
Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文参考訳（メタデータ） (2021-06-14T20:48:48Z)
Training a First-Order Theorem Prover from Synthetic Data [50.23600875138756]
自動定理証明に機械学習を適用する際の大きな課題は、トレーニングデータの不足である。本稿では,人間のデータを公理によらずに,純粋に合成生成定理をトレーニングする手法を提案する。私達の神経証明者は時間および検索のステップのこの総合的なデータで最先端のE-proverを上回っます。
論文参考訳（メタデータ） (2021-03-05T17:01:34Z)
Abduction and Argumentation for Explainable Machine Learning: A Position Survey [2.28438857884398]
本稿では, 推論の2つの原則形式として, 帰納法と論証法を提案する。機械学習の中で彼らが果たせる基本的な役割を具体化します。
論文参考訳（メタデータ） (2020-10-24T13:23:44Z)
Verification of ML Systems via Reparameterization [6.482926592121413]
確率的プログラムを定理証明器で自動的に表現する方法を示す。また、ベイズ仮説テストで用いられるヌルモデルは、人口統計学的パリティ(英語版)と呼ばれる公平性基準を満たすことを証明した。
論文参考訳（メタデータ） (2020-07-14T02:19:25Z)
Leap-Of-Thought: Teaching Pre-Trained Models to Systematically Reason Over Implicit Knowledge [96.92252296244233]
大規模な事前学習言語モデル(LM)は推論能力を得るが、制御は困難である。本研究では,暗黙的,事前学習された知識と明示的な自然言語文を併用して,体系的推論を確実に行うことができることを示す。我々の研究は、シンプルな自然言語文を追加することで、モデルを簡単に修正できるユーザと対話することで、常に改善されるオープンドメインシステムへの道を開く。
論文参考訳（メタデータ） (2020-06-11T17:02:20Z)

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。