論文の概要: On the Power and Limitations of Examples for Description Logic Concepts

• arxiv url: http://arxiv.org/abs/2412.17345v1
• Date: Mon, 23 Dec 2024 07:17:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:56:01.825460
• Title: On the Power and Limitations of Examples for Description Logic Concepts
• Title（参考訳）: 記述論理概念の例の力と限界について
• Authors: Balder ten Cate, Raoul Koudijs, Ana Ozaki,
• Abstract要約: 記述論理概念記述のためのラベル付き例のパワーについて検討する。 具体的には,有限特性化の存在と効率的な計算可能性について検討する。
• 参考スコア（独自算出の注目度）: 6.776119962781556
• License:
• Abstract: Labeled examples (i.e., positive and negative examples) are an attractive medium for communicating complex concepts. They are useful for deriving concept expressions (such as in concept learning, interactive concept specification, and concept refinement) as well as for illustrating concept expressions to a user or domain expert. We investigate the power of labeled examples for describing description-logic concepts. Specifically, we systematically study the existence and efficient computability of finite characterisations, i.e. finite sets of labeled examples that uniquely characterize a single concept, for a wide variety of description logics between EL and ALCQI, both without an ontology and in the presence of a DL-Lite ontology. Finite characterisations are relevant for debugging purposes, and their existence is a necessary condition for exact learnability with membership queries.
• Abstract（参考訳）: ラベル付き例(正および負の例)は複雑な概念を伝達する魅力的な媒体である。 概念表現(概念学習、インタラクティブな概念仕様、概念洗練など)の導出や、概念表現のユーザやドメインの専門家への説明に有用である。 記述論理概念記述のためのラベル付き例のパワーについて検討する。 具体的には,一意に一つの概念を特徴づけるラベル付き例の有限集合の存在と効率的な計算可能性について,オントロジーやDL-Liteオントロジーの有無に関わらず,ELとALCQIの幅広い記述論理について体系的に研究する。 有限特徴化はデバッグの目的に関係しており、その存在はメンバーシップクエリによる正確な学習性に必要な条件である。

関連論文リスト

• A Note on an Inferentialist Approach to Resource Semantics [48.65926948745294]
  「推論主義」とは、推論行動の観点で意味が与えられるという考え方である。 本稿では,「推論主義」が資源意味論の汎用的で表現力豊かな枠組みを実現する方法を示す。
  論文  参考訳（メタデータ） (2024-05-10T14:13:21Z)
• Knowledge graphs for empirical concept retrieval [1.06378109904813]
  概念に基づく説明可能なAIは、あるユーザの前提における複雑なモデルの理解を改善するツールとして期待されている。 本稿では,テキスト領域と画像領域の両方でユーザ主導のデータ収集を行うワークフローを提案する。 我々は,概念アクティベーションベクトル(CAV)と概念アクティベーション領域(CAR)の2つの概念ベース説明可能性手法を用いて,検索した概念データセットをテストする。
  論文  参考訳（メタデータ） (2024-04-10T13:47:22Z)
• An Encoding of Abstract Dialectical Frameworks into Higher-Order Logic [57.24311218570012]
  このアプローチは抽象弁証法フレームワークのコンピュータ支援分析を可能にする。 応用例としては、メタ理論的性質の形式的解析と検証がある。
  論文  参考訳（メタデータ） (2023-12-08T09:32:26Z)
• Concept Gradient: Concept-based Interpretation Without Linear Assumption [77.96338722483226]
  概念活性化ベクトル(Concept Activation Vector, CAV)は、与えられたモデルと概念の潜在表現の間の線形関係を学習することに依存する。 我々は、線形概念関数を超えて概念に基づく解釈を拡張する概念グラディエント(CG)を提案した。 我々は、CGがおもちゃの例と実世界のデータセットの両方でCAVより優れていることを実証した。
  論文  参考訳（メタデータ） (2022-08-31T17:06:46Z)
• Automatic Concept Extraction for Concept Bottleneck-based Video Classification [58.11884357803544]
  本稿では,概念に基づくビデオ分類に必要かつ十分な概念抽象セットを厳格に構成する概念発見抽出モジュールを提案する。 提案手法は,自然言語における概念概念の抽象概念を応用し,複雑なタスクに概念ボトルネック法を一般化する。
  論文  参考訳（メタデータ） (2022-06-21T06:22:35Z)
• Human-Centered Concept Explanations for Neural Networks [47.71169918421306]
  概念活性化ベクトル(Concept Activation Vectors, CAV)のクラスを含む概念的説明を紹介する。 次に、自動的に概念を抽出するアプローチと、それらの注意事項に対処するアプローチについて議論する。 最後に、このような概念に基づく説明が、合成設定や実世界の応用において有用であることを示すケーススタディについて論じる。
  論文  参考訳（メタデータ） (2022-02-25T01:27:31Z)
• An ASP approach for reasoning on neural networks under a finitely many-valued semantics for weighted conditional knowledge bases [0.0]
  有限値の場合の典型性を考慮した条件付きALC知識ベースを考察する。 ASP と "asprin" を概念的マルチ参照の推論に利用しています。
  論文  参考訳（メタデータ） (2022-02-02T16:30:28Z)
• Translational Concept Embedding for Generalized Compositional Zero-shot Learning [73.60639796305415]
  一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。 本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-12-20T21:27:51Z)
• Granule Description based on Compound Concepts [5.657202839641533]
  本稿では,両極性概念と共通・必要概念という,2種類の複合概念を提案する。 我々は,5種類の概念に対して,記述不能な顆粒の簡潔で統一された等価条件を導出し,記述不能な顆粒の記述法にアプローチした。
  論文  参考訳（メタデータ） (2021-10-29T01:56:29Z)
• Generating Contrastive Explanations for Inductive Logic Programming Based on a Near Miss Approach [0.7734726150561086]
  Inductive Logic Programming (textscGeNME) を用いて学習した関係概念のための説明生成アルゴリズムを提案する。 近いミスをカバーするが、元のインスタンスではない修正されたルールが説明として与えられる。 また,ルールベース,例に基づく人間の嗜好と,家族やアーチ領域におけるミスに近い説明とを比較検討した心理実験を行った。
  論文  参考訳（メタデータ） (2021-06-15T11:42:05Z)

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。