論文の概要: Information Science Principles of Machine Learning: A Causal Chain Meta-Framework Based on Formalized Information Mapping

• arxiv url: http://arxiv.org/abs/2505.13182v1
• Date: Mon, 19 May 2025 14:39:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.65965
• Title: Information Science Principles of Machine Learning: A Causal Chain Meta-Framework Based on Formalized Information Mapping
• Title（参考訳）: 機械学習の情報科学原理:形式化された情報マッピングに基づく因果連鎖メタフレーム
• Authors: Jianfeng Xu,
• Abstract要約: 本研究は、機械学習における統一的な論理的枠組みの欠如に対処することに焦点を当てる。 モデル解釈可能性と倫理的安全性に関する普遍的な定義が提案されている。 3つの重要な定理は、モデル解釈可能性と情報回復可能性の等価性、倫理的安全性の保証、一般化誤差の推定である。
• 参考スコア（独自算出の注目度）: 1.145820303039203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: [Objective] This study focuses on addressing the current lack of a unified formal theoretical framework in machine learning, as well as the deficiencies in interpretability and ethical safety assurance. [Methods] A formal information model is first constructed, utilizing sets of well-formed formulas to explicitly define the ontological states and carrier mappings of typical components in machine learning. Learnable and processable predicates, along with learning and processing functions, are introduced to analyze the logical deduction and constraint rules of the causal chains within models. [Results] A meta-framework for machine learning theory (MLT-MF) is established. Based on this framework, universal definitions for model interpretability and ethical safety are proposed. Furthermore, three key theorems are proved: the equivalence of model interpretability and information recoverability, the assurance of ethical safety, and the estimation of generalization error. [Limitations] The current framework assumes ideal conditions with noiseless information-enabling mappings and primarily targets model learning and processing logic in static scenarios. It does not yet address information fusion and conflict resolution across ontological spaces in multimodal or multi-agent systems. [Conclusions] This work overcomes the limitations of fragmented research and provides a unified theoretical foundation for systematically addressing the critical challenges currently faced in machine learning.
• Abstract（参考訳）: [目的]本研究は、機械学習における統一的な形式的理論的枠組みの欠如と、解釈可能性および倫理的安全保証の欠如に対処することに焦点を当てる。 方法] 形式的情報モデルの構築はまず, 機械学習における典型的なコンポーネントの存在論的状態とキャリアマッピングを明確に定義するために, 整形された公式の集合を用いて行われる。 学習可能な述語と処理可能な述語は、学習と処理関数とともに、モデル内の因果連鎖の論理的推論と制約規則を分析するために導入された。 [結果]機械学習理論(MLT-MF)のメタフレームワークを確立した。 この枠組みに基づいて、モデル解釈可能性と倫理的安全性の普遍的な定義を提案する。 さらに、モデル解釈可能性と情報回復可能性の等価性、倫理的安全性の保証、一般化誤差の推定という3つの重要な定理が証明された。 [制限] 現在のフレームワークは、ノイズのない情報交換マッピングを備えた理想的な条件を前提としており、主に静的シナリオにおけるモデル学習と処理ロジックをターゲットにしています。 マルチモーダルシステムやマルチエージェントシステムにおいて、情報融合やオントロジ空間間のコンフリクト解決にはまだ対応していない。 [結論]この研究は断片化研究の限界を克服し、機械学習で現在直面している重要な課題を体系的に解決するための統一的な理論基盤を提供する。

関連論文リスト

• Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
  ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。 モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。 因果関係はこれらの課題を体系的に解決するための 理想的な枠組みを提供します
  論文  参考訳（メタデータ） (2025-02-07T17:01:37Z)
• A Mechanistic Interpretation of Syllogistic Reasoning in Auto-Regressive Language Models [13.59675117792588]
  言語モデル(LM)における論理的推論に関する最近の研究は、LMが事前学習中に体系的推論原理を学べるかという議論を巻き起こしている。 本稿では、内部力学の理解を深めるために、LMにおけるシロメトリクス推論の機械論的解釈を提案する。
  論文  参考訳（メタデータ） (2024-08-16T07:47:39Z)
• The Foundations of Tokenization: Statistical and Computational Concerns [51.370165245628975]
  トークン化は、NLPパイプラインにおける重要なステップである。 NLPにおける標準表現法としての重要性は認識されているが、トークン化の理論的基盤はまだ完全には理解されていない。 本稿では,トークン化モデルの表現と解析のための統一的な形式的枠組みを提案することによって,この理論的ギャップに対処することに貢献している。
  論文  参考訳（メタデータ） (2024-07-16T11:12:28Z)
• Semantic Objective Functions: A distribution-aware method for adding logical constraints in deep learning [4.854297874710511]
  制約付き学習と知識蒸留技術は有望な結果を示した。 本稿では,機械学習モデルに知識を付加した論理的制約を組み込むロスベース手法を提案する。 本手法は,論理的制約のある分類タスクを含む,様々な学習課題において評価する。
  論文  参考訳（メタデータ） (2024-05-03T19:21:47Z)
• Explainability for Large Language Models: A Survey [59.67574757137078]
  大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。 本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
  論文  参考訳（メタデータ） (2023-09-02T22:14:26Z)
• Causal Abstraction: A Theoretical Foundation for Mechanistic Interpretability [30.76910454663951]
  因果抽象化は機械的解釈可能性の理論的基盤を提供する。 我々の貢献は、メカニズム置換から任意のメカニズム変換への因果的抽象化の理論の一般化である。
  論文  参考訳（メタデータ） (2023-01-11T20:42:41Z)
• Developing Constrained Neural Units Over Time [81.19349325749037]
  本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。 ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。 提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
  論文  参考訳（メタデータ） (2020-09-01T09:07:25Z)

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。