論文の概要: A Coordination-based Approach for Focused Learning in Knowledge-Based Systems

• arxiv url: http://arxiv.org/abs/2502.10394v1
• Date: Wed, 15 Jan 2025 23:45:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 05:26:10.709647
• Title: A Coordination-based Approach for Focused Learning in Knowledge-Based Systems
• Title（参考訳）: 知識ベースシステムにおける集中学習のためのコーディネーションに基づくアプローチ
• Authors: Abhishek Sharma,
• Abstract要約: 読解・機械読解システムによる学習の最近の進歩は、知識ベースシステムによる新たな事実の学習能力を大幅に向上させてきた。 本稿では,これらの知識に基づくシステムに対して,Q/A性能の最大化につながる一連の学習要求を選択する問題について論じる。 これらの学習システムに最適な事実群を選択することは協調ゲームと類似していることを示し、この問題を解決するために強化学習を用いる。
• 参考スコア（独自算出の注目度）: 2.960110343737342
• License:
• Abstract: Recent progress in Learning by Reading and Machine Reading systems has significantly increased the capacity of knowledge-based systems to learn new facts. In this work, we discuss the problem of selecting a set of learning requests for these knowledge-based systems which would lead to maximum Q/A performance. To understand the dynamics of this problem, we simulate the properties of a learning strategy, which sends learning requests to an external knowledge source. We show that choosing an optimal set of facts for these learning systems is similar to a coordination game, and use reinforcement learning to solve this problem. Experiments show that such an approach can significantly improve Q/A performance.
• Abstract（参考訳）: 読解・機械読解システムによる学習の最近の進歩は、知識ベースシステムによる新たな事実の学習能力を大幅に向上させてきた。 本稿では,これらの知識に基づくシステムに対して,Q/A性能の最大化につながる一連の学習要求を選択する問題について議論する。 この問題のダイナミクスを理解するために,学習要求を外部の知識ソースに送信する学習戦略の特性をシミュレートする。 これらの学習システムに最適な事実群を選択することは協調ゲームと類似していることを示し、この問題を解決するために強化学習を用いる。 実験により、このようなアプローチはQ/Aパフォーマンスを大幅に改善できることが示された。

関連論文リスト

• How Do LLMs Acquire New Knowledge? A Knowledge Circuits Perspective on Continual Pre-Training [92.88889953768455]
  大きな言語モデル(LLM)は、どのようにして新しい知識を内部化するかを理解する上で、重大なギャップに直面します。 知識記憶と処理を容易にする計算サブグラフを同定する。
  論文  参考訳（メタデータ） (2025-02-16T16:55:43Z)
• Enhancing Explainability of Knowledge Learning Paths: Causal Knowledge Networks [6.792267409396434]
  信頼できる知識構造は、効果的な適応学習システムを構築するための前提条件である。 本稿では,因果知識ネットワークを構築する手法を提案する。 また,信頼度の高い知識学習パスレコメンデーション手法も導入する。
  論文  参考訳（メタデータ） (2024-06-25T12:59:20Z)
• Thrill-K Architecture: Towards a Solution to the Problem of Knowledge Based Understanding [0.9390008801320021]
  本稿では、人間の知識と知性の分析に基づいて、ニューラルネットワークと様々な種類の知識と知識ソースを組み合わせたハイブリッドシステムの分類を紹介する。 我々はThrill-Kアーキテクチャを,推論,学習,知的制御が可能なフレームワークに,瞬時知識,待機知識,外部知識ソースを統合するためのプロトタイプソリューションとして提示する。
  論文  参考訳（メタデータ） (2023-02-28T20:39:35Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• Rethinking Learning Dynamics in RL using Adversarial Networks [79.56118674435844]
  本稿では,スキル埋め込み空間を通じてパラメータ化された,密接に関連するスキルの強化学習のための学習機構を提案する。 本研究の主な貢献は、エントロピー規則化政策勾配定式化の助けを借りて、強化学習のための敵の訓練体制を定式化することである。
  論文  参考訳（メタデータ） (2022-01-27T19:51:09Z)
• Active Reinforcement Learning -- A Roadmap Towards Curious Classifier Systems for Self-Adaptation [0.456877715768796]
  知的システムにおける「能動的強化学習」についての研究課題を策定することを目的とする。 従来のアプローチでは、学習問題を分離し、さまざまな分野の機械学習からテクニックを分離的に利用している。
  論文  参考訳（メタデータ） (2022-01-11T13:50:26Z)
• Mixture-of-Variational-Experts for Continual Learning [0.0]
  学習と忘れのトレードオフを促進する最適原理を提案する。 我々はMixture-of-Variational-Experts (MoVE)と呼ばれる連続学習のためのニューラルネットワーク層を提案する。 MNISTおよびCIFAR10データセットの変種に関する実験は、MoVE層の競合性能を示す。
  論文  参考訳（メタデータ） (2021-10-25T06:32:06Z)
• Incremental Knowledge Based Question Answering [52.041815783025186]
  人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。 具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。 包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
  論文  参考訳（メタデータ） (2021-01-18T09:03:38Z)
• Understanding Few-Shot Commonsense Knowledge Models [39.31365020474205]
  トレーニングの常識知識モデルを数ショットで調査します。 数発の訓練システムから得られた知識に対する人間の品質評価は、完全に教師されたシステムから得られた知識の6%以内のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2021-01-01T19:01:09Z)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)

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。