論文の概要: A Generalised Framework for Property-Driven Machine Learning

• arxiv url: http://arxiv.org/abs/2505.00466v1
• Date: Thu, 01 May 2025 11:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.288306
• Title: A Generalised Framework for Property-Driven Machine Learning
• Title（参考訳）: プロパティ駆動機械学習のための汎用フレームワーク
• Authors: Thomas Flinkow, Marco Casadio, Colin Kessler, Rosemary Monahan, Ekaterina Komendantskaya,
• Abstract要約: プロパティ駆動機械学習のための1つのフレームワークに2つの補完的アプローチを統合する方法を示す。 文献からよく知られた性質は、この一般的なアプローチのサブケースであることを示す。 私たちのフレームワークはhttps://github.com/tflinkow/property-driven-mlで公開されています。
• 参考スコア（独自算出の注目度）: 1.0485739694839669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks have been shown to frequently fail to satisfy critical safety and correctness properties after training, highlighting the pressing need for training methods that incorporate such properties directly. While adversarial training can be used to improve robustness to small perturbations within $\epsilon$-cubes, domains other than computer vision -- such as control systems and natural language processing -- may require more flexible input region specifications via generalised hyper-rectangles. Meanwhile, differentiable logics offer a way to encode arbitrary logical constraints as additional loss terms that guide the learning process towards satisfying these constraints. In this paper, we investigate how these two complementary approaches can be unified within a single framework for property-driven machine learning. We show that well-known properties from the literature are subcases of this general approach, and we demonstrate its practical effectiveness on a case study involving a neural network controller for a drone system. Our framework is publicly available at https://github.com/tflinkow/property-driven-ml.
• Abstract（参考訳）: ニューラルネットワークは、トレーニング後に重要な安全性と正当性を満足できないことがしばしば示され、そのような特性を直接組み込む訓練方法の必要性が強調されている。 逆行訓練は$\epsilon$-cubes内の小さな摂動に対して堅牢性を改善するために使用できるが、制御システムや自然言語処理などのコンピュータビジョン以外の領域では、一般化されたハイパー矩形を通してより柔軟な入力領域の仕様を必要とする可能性がある。 一方、微分可能な論理は任意の論理的制約を、これらの制約を満たすための学習プロセスを導く追加の損失項としてエンコードする方法を提供する。 本稿では,これら2つの補完的アプローチを,プロパティ駆動機械学習の単一フレームワークに組み込む方法について検討する。 本論文は,本手法のサブケースとして文献からよく知られた特性を示すとともに,ドローンシステムのためのニューラルネットワークコントローラを含むケーススタディにおいて,本手法の有効性を実証する。 私たちのフレームワークはhttps://github.com/tflinkow/property-driven-mlで公開されています。

関連論文リスト

• Gradient Routing: Masking Gradients to Localize Computation in Neural Networks [43.0686937643683]
  ニューラルネットワークの特定の部分領域に機能を分離する訓練手法である勾配ルーティングを導入する。 解析可能な方法で分割された表現を学習するために、勾配ルーティングが利用できることを示す。 私たちは、高品質なデータが不足している、挑戦的な現実世界のアプリケーションに対して、このアプローチが約束されていると結論付けます。
  論文  参考訳（メタデータ） (2024-10-06T02:43:49Z)
• A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
  Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
  論文  参考訳（メタデータ） (2024-09-18T14:57:13Z)
• Training Neural Networks with Internal State, Unconstrained Connectivity, and Discrete Activations [66.53734987585244]
  真のインテリジェンスには、内部状態を管理するマシンラーニングモデルが必要だ。 このようなモデルのトレーニングに最も効果的なアルゴリズムは,まだ発見されていない。 このようなトレーニングアルゴリズムを2進アクティベーションと1つの重みの行列のみを持つアーキテクチャに適用する試みについて述べる。
  論文  参考訳（メタデータ） (2023-12-22T01:19:08Z)
• Towards fuzzification of adaptation rules in self-adaptive architectures [2.730650695194413]
  我々は、自己適応型アーキテクチャにおける分析と計画段階にニューラルネットワークを活用することに注力する。 このようなニーズに対処する簡単な選択肢のひとつは、論理ルールに基づいた推論をニューラルネットワークに置き換えることだ。 この連続体の中でナビゲートする方法を示し、元の論理ルールを自然に埋め込むニューラルネットワークアーキテクチャを作成します。
  論文  参考訳（メタデータ） (2021-12-17T12:17:16Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)
• Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
  本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。 我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。 主アルゴリズムの正確性と収束性を保証する。
  論文  参考訳（メタデータ） (2021-02-01T01:13:03Z)
• Provably Training Neural Network Classifiers under Fairness Constraints [70.64045590577318]
  過パラメータのニューラルネットワークが制約を満たしていることを示す。 公平なニューラルネットワーク分類器を構築する上で重要な要素は、ニューラルネットワークの非応答解析を確立することである。
  論文  参考訳（メタデータ） (2020-12-30T18:46:50Z)
• Learning for Integer-Constrained Optimization through Neural Networks with Limited Training [28.588195947764188]
  我々は、その構成成分の機能の観点から完全に解釈可能な、対称的で分解されたニューラルネットワーク構造を導入する。 整数制約の根底にあるパターンを活用することで、導入されたニューラルネットワークは、限られたトレーニングでより優れた一般化性能を提供する。 提案手法は, 半分解フレームワークにさらに拡張可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-10T21:17:07Z)

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。