論文の概要: A Step Toward Interpretability: Smearing the Likelihood

• arxiv url: http://arxiv.org/abs/2501.07643v1
• Date: Mon, 13 Jan 2025 19:09:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:26:21.116000
• Title: A Step Toward Interpretability: Smearing the Likelihood
• Title（参考訳）: 解釈可能性へ向けての歩み:「愛しみ」を育む
• Authors: Andrew J. Larkoski,
• Abstract要約: 本稿では,機械が活用する物理的エネルギースケールの分離と同定のための定義とそれに対応する実用的な方法を提案する。 我々は、(近似)スケーリング法則が極端な値理論の結果であることを示す。 例えば、クォークとグルーオンジェットの識別について検討し、スミアーズの可能性を構築し、分解能が低下するにつれて識別力が着実に増加することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The problem of interpretability of machine learning architecture in particle physics has no agreed-upon definition, much less any proposed solution. We present a first modest step toward these goals by proposing a definition and corresponding practical method for isolation and identification of relevant physical energy scales exploited by the machine. This is accomplished by smearing or averaging over all input events that lie within a prescribed metric energy distance of one another and correspondingly renders any quantity measured on a finite, discrete dataset continuous over the dataspace. Within this approach, we are able to explicitly demonstrate that (approximate) scaling laws are a consequence of extreme value theory applied to analysis of the distribution of the irreducible minimal distance over which a machine must extrapolate given a finite dataset. As an example, we study quark versus gluon jet identification, construct the smeared likelihood, and show that discrimination power steadily increases as resolution decreases, indicating that the true likelihood for the problem is sensitive to emissions at all scales.
• Abstract（参考訳）: 素粒子物理学における機械学習アーキテクチャの解釈可能性の問題には一致した定義がなく、提案された解よりもはるかに少ない。 本稿では,機械が活用する物理的エネルギースケールの分離と同定のための定義とそれに対応する実用的な方法を提案することにより,これらの目標に向けての第1段階を示す。 これは、互いに所定の距離エネルギー距離内にある全ての入力イベントをスミアリングまたは平均化することで達成され、それに応じてデータ空間上で連続する有限個の離散データセット上で測定された任意の量をレンダリングする。 このアプローチでは、機械が有限データセットを外挿しなければならない既約最小距離の分布の分析に適用される(近似)スケーリング法則が極値理論の結果であることを示すことができる。 例えば、クォークとグルーオンジェットの識別について検討し、スミアーズの可能性を構築し、分解能が低下するにつれて識別力が着実に増加し、問題の真の可能性があらゆるスケールの排出に敏感であることを示す。

関連論文リスト

• Measuring Heterogeneity in Machine Learning with Distributed Energy Distance [3.8318398579197335]
  本稿では,分布の相違を定量化するための感度尺度として,エネルギー距離を導入する。 我々は,計算オーバーヘッドを低減しつつ,重要な理論的定量的特性を保存するテイラー近似を開発した。 本研究では,不均質ノード間の予測の整合化のために,ペナルティ重みを割り当てるためのエネルギー距離の新たな適用法を提案する。
  論文  参考訳（メタデータ） (2025-01-27T16:15:57Z)
• Towards Understanding Extrapolation: a Causal Lens [53.15488984371969]
  我々は、外挿がいつ可能かを理論的に理解し、それを実現するための原則的な方法を提供する。 この定式化の下では、外挿問題を潜在変数識別問題にキャストする。 この理論は、基礎となる多様体の滑らかさとシフト特性の間の複雑な相互作用を明らかにする。
  論文  参考訳（メタデータ） (2025-01-15T21:29:29Z)
• Learning Homogenization for Elliptic Operators [5.151892549395954]
  マルチスケール偏微分方程式(PDE)は様々な応用で発生し、効率的な解法としていくつかのスキームが開発されている。 ホモジェナイゼーション理論(英語版)は、小さな依存を取り除く強力な方法論であり、結果として単純な方程式が引き起こされる。 本稿では, 楕円型作用素の複素数の存在下での同質化法則の学習可能性について検討する。
  論文  参考訳（メタデータ） (2023-06-21T04:05:10Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)
• Learning Transport Processes with Machine Intelligence [0.0]
  本稿では,輸送プロセスの研究に対処するための機械学習に基づくアプローチを提案する。 提案モデルでは, 輸送過程の潜在表現を, 予想よりも根本真理にかなり近い位置で学習することができる。
  論文  参考訳（メタデータ） (2021-09-27T14:49:22Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Where and What? Examining Interpretable Disentangled Representations [96.32813624341833]
  解釈可能なバリエーションの獲得は、長い間、絡み合い学習の目標の1つだった。 独立性の仮定と異なり、解釈性は教師なしの設定での絡み合いを促進するために使われることは滅多にない。 本論文では, 解釈対象と解釈対象の2つの質問について検討し, 離散表現の解釈可能性を検討する。
  論文  参考訳（メタデータ） (2021-04-07T11:22:02Z)
• Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction [54.06292969184476]
  シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。 本手法では,論理文の正確な意味を捉える意味的損失を用いる。 低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-20T00:16:29Z)
• Fundamental Limits and Tradeoffs in Invariant Representation Learning [99.2368462915979]
  多くの機械学習アプリケーションは、2つの競合する目標を達成する表現を学習する。 ミニマックスゲーム理論の定式化は、精度と不変性の基本的なトレードオフを表す。 分類と回帰の双方において,この一般的かつ重要な問題を情報論的に解析する。
  論文  参考訳（メタデータ） (2020-12-19T15:24:04Z)
• Modal Uncertainty Estimation via Discrete Latent Representation [4.246061945756033]
  本稿では,インプットとアウトプットの1対1マッピングを,忠実な不確実性対策とともに学習するディープラーニングフレームワークを提案する。 我々のフレームワークは、現在の最先端手法よりもはるかに正確な不確実性推定を実証している。
  論文  参考訳（メタデータ） (2020-07-25T05:29:34Z)

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。