論文の概要: Towards Universal Neural Inference

• arxiv url: http://arxiv.org/abs/2508.09100v1
• Date: Tue, 12 Aug 2025 17:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.52686
• Title: Towards Universal Neural Inference
• Title（参考訳）: 普遍的ニューラル推論に向けて
• Authors: Shreyas Bhat Brahmavar, Yang Li, Junier Oliva,
• Abstract要約: ASPIREは、構造化データに対する意味論的推論と予測のためのユニバーサルニューラルネットワークモデルである。 任意の特徴値ペアのセットを取り込み、不整合テーブル間でセマンティクスを調整し、特定のターゲットに対して予測を行う。 ASPIREは、オープンワールド環境で、コスト対応のアクティブな機能獲得を自然にサポートします。
• 参考スコア（独自算出の注目度）: 12.704979719123637
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world data often appears in diverse, disjoint forms -- with varying schemas, inconsistent semantics, and no fixed feature ordering -- making it challenging to build general-purpose models that can leverage information across datasets. We introduce ASPIRE, Arbitrary Set-based Permutation-Invariant Reasoning Engine, a Universal Neural Inference model for semantic reasoning and prediction over heterogeneous structured data. ASPIRE combines a permutation-invariant, set-based Transformer with a semantic grounding module that incorporates natural language descriptions, dataset metadata, and in-context examples to learn cross-dataset feature dependencies. This architecture allows ASPIRE to ingest arbitrary sets of feature--value pairs and support examples, align semantics across disjoint tables, and make predictions for any specified target. Once trained, ASPIRE generalizes to new inference tasks without additional tuning. In addition to delivering strong results across diverse benchmarks, ASPIRE naturally supports cost-aware active feature acquisition in an open-world setting, selecting informative features under test-time budget constraints for an arbitrary unseen dataset. These capabilities position ASPIRE as a step toward truly universal, semantics-aware inference over structured data.
• Abstract（参考訳）: 実世界のデータは、さまざまなスキーマ、一貫性のないセマンティクス、固定された機能の順序付けのない、多様で相容れない形式で現れることが多いため、データセット間で情報を活用する汎用モデルの構築が困難になる。 異種構造データに対する意味推論と予測のためのUniversal Neural Inference ModelであるArbitrary Set-based Permutation-Invariant Reasoning EngineであるASPIREを紹介する。 ASPIREは、置換不変のセットベーストランスフォーマーと、自然言語記述、データセットメタデータ、コンテキスト内サンプルを組み込んだセマンティックグラウンドティングモジュールを組み合わせて、クロスデータセット機能依存関係を学習する。 このアーキテクチャにより、ASPIREは任意の機能-値のペアとサポート例を取り込み、不整合テーブル間でセマンティクスを整列させ、特定のターゲットに対して予測を行うことができる。 トレーニングが完了すると、ASPIREは追加のチューニングなしで新しい推論タスクに一般化される。 さまざまなベンチマークで強力な結果を提供するのに加えて、ASPIREは、オープンワールド環境でコストを意識したアクティブな機能獲得を自然にサポートし、任意の未知のデータセットに対してテスト時の予算制約の下で情報的機能を選択する。 これらの機能は、ASPIREを、構造化データに対する真に普遍的でセマンティックな推論へのステップとして位置づけている。

関連論文リスト

• Self-supervised Latent Space Optimization with Nebula Variational Coding [87.20343320266215]
  本稿では,クラスタ化埋め込みに繋がる変分推論モデルを提案する。 textbfnebula anchorsと呼ばれる潜伏空間に新たな変数を導入し、トレーニング中に潜伏変数がクラスタを形成するように誘導する。 各潜在機能は最も近いアンカーでラベル付けできるため、クラスタ間の分離をより明確にするために、自己教師付き方法でメートル法学習を適用することも提案する。
  論文  参考訳（メタデータ） (2025-06-02T08:13:32Z)
• Make Still Further Progress: Chain of Thoughts for Tabular Data Leaderboard [27.224577475861214]
  機械学習の基本的なデータフォーマットであるタブラルデータは、競争や現実世界のアプリケーションで主に利用されている。 本研究では,大規模言語モデルを活用したテキスト内アンサンブルフレームワークを提案する。 提案手法は,各テストインスタンスの周囲のコンテキストを,その近傍と外部モデルのプールからの予測を用いて構築する。
  論文  参考訳（メタデータ） (2025-05-19T17:52:58Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
  この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。 本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:04:39Z)
• TARGA: Targeted Synthetic Data Generation for Practical Reasoning over Structured Data [9.390415313514762]
  TARGAは、手動のアノテーションなしで高関連性合成データを生成するフレームワークである。 これは、クローズソースモデルを使用する既存の非微調整手法よりも大幅に優れている。 非I.I.D.設定下では、優れたサンプル効率、堅牢性、一般化能力を示す。
  論文  参考訳（メタデータ） (2024-12-27T09:16:39Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• Set Representation Learning with Generalized Sliced-Wasserstein Embeddings [22.845403993200932]
  集合構造データから表現を学習するための幾何学的解釈可能なフレームワークを提案する。 特に、確率測度からのサンプルとして集合の要素を扱い、一般化スライスワッサーシュタインに対する正確なユークリッド埋め込みを提案する。 我々は,複数の教師付きおよび教師なし集合学習タスクに関する提案フレームワークを評価し,最先端集合表現学習アプローチに対するその優位性を実証する。
  論文  参考訳（メタデータ） (2021-03-05T19:00:34Z)

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。