論文の概要: From Black Box to Bijection: Interpreting Machine Learning to Build a Zeta Map Algorithm

• arxiv url: http://arxiv.org/abs/2511.12421v1
• Date: Sun, 16 Nov 2025 02:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.082232
• Title: From Black Box to Bijection: Interpreting Machine Learning to Build a Zeta Map Algorithm
• Title（参考訳）: Black BoxからBijectionへ:機械学習を解釈してZeta Mapアルゴリズムを構築する
• Authors: Xiaoyu Huang, Blake Jackson, Kyu-Hwan Lee,
• Abstract要約: 機械学習による明示的ビジェクションを発見するための新しいワークフローを提案する。 概念実証として、ペア化されたダイクパス上でトランスフォーマーを訓練し、学習された注意パターンを用いてゼータマップの新たなアルゴリズム記述を導出する。
• 参考スコア（独自算出の注目度）: 2.3895981099137535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is a large class of problems in algebraic combinatorics which can be distilled into the same challenge: construct an explicit combinatorial bijection. Traditionally, researchers have solved challenges like these by visually inspecting the data for patterns, formulating conjectures, and then proving them. But what is to be done if patterns fail to emerge until the data grows beyond human scale? In this paper, we propose a new workflow for discovering combinatorial bijections via machine learning. As a proof of concept, we train a transformer on paired Dyck paths and use its learned attention patterns to derive a new algorithmic description of the zeta map, which we call the \textit{Scaffolding Map}.
• Abstract（参考訳）: 代数的コンビネータ論(英語版)には多くの問題があり、これは同じ課題に蒸留することができる:明示的なコンビネータ的ビジェクションを構築する。 伝統的に、研究者はパターンのデータを視覚的に検査し、推測を定式化し、証明することで、このような課題を解決してきた。 しかし、もしパターンが人間の規模を超えてデータが大きくなるまで現れなかったら、どうするだろうか? 本稿では,機械学習による組合せ的ビジェクションを発見するための新しいワークフローを提案する。 概念実証として、ペア化されたダイクパス上でトランスフォーマーを訓練し、学習した注意パターンを用いてゼータマップの新たなアルゴリズム記述を導出し、それを \textit{Scaffolding Map} と呼ぶ。

関連論文リスト

• Machines and Mathematical Mutations: Using GNNs to Characterize Quiver Mutation Classes [4.229995708813431]
  グラフニューラルネットワークを使って、あるクイバーを別のクイバーに変換する操作である、Emphquiverの突然変異を調査します。 クラスター代数の研究において、置換同値性の問題は基本的な関心事である。 我々のモデルは、既知の基準を$D$から再構築できるように、その隠された表現内で構造をキャプチャすることを示した。
  論文  参考訳（メタデータ） (2024-11-12T01:09:41Z)
• Quantum One-Wayness of the Single-Round Sponge with Invertible Permutations [49.1574468325115]
  スポンジハッシュは、広く使われている暗号ハッシュアルゴリズムのクラスである。 これまでのところ、不規則な置換は根本的なオープンな問題のままである。 ランダムな2n$-bit置換でゼロペアを見つけるには、少なくとも$Omega(2n/2)$多くのクエリが必要である。
  論文  参考訳（メタデータ） (2024-03-07T18:46:58Z)
• What learning algorithm is in-context learning? Investigations with linear models [87.91612418166464]
  本稿では,トランスフォーマーに基づくインコンテキスト学習者が標準学習アルゴリズムを暗黙的に実装する仮説について検討する。 訓練された文脈内学習者は、勾配降下、隆起回帰、および正確な最小二乗回帰によって計算された予測値と密に一致していることを示す。 文脈内学習者がこれらの予測器とアルゴリズム的特徴を共有するという予備的証拠。
  論文  参考訳（メタデータ） (2022-11-28T18:59:51Z)
• Arbitrarily Large Labelled Random Satisfiability Formulas for Machine Learning Training [5.414308305392762]
  決定問題を解くことなく、任意の大きさのランダムな式を正しくラベル付けする方法を示す。 我々は1万変数の式で満足度を予測するタスクのために、既存の最先端モデルを訓練する。 同じデータセットで99%をランダムに推測するのに勝るものは見当たらない。
  論文  参考訳（メタデータ） (2022-11-21T17:52:13Z)
• Heterogeneous Line Graph Transformer for Math Word Problems [21.4761673982334]
  本稿では,オンライン学習システムのための新しい機械学習モデルの設計と実装について述べる。 我々は,自動算術語問題解決システムの実現により,システムの知能レベルを向上することを目指している。
  論文  参考訳（メタデータ） (2022-08-11T05:27:05Z)
• Monotone Learning [86.77705135626186]
  各学習アルゴリズムAは、同様の性能で単調なクラスに変換可能であることを示す。 これは、パフォーマンスを損なうことなく、確実に非単調な振る舞いを回避できることを示している。
  論文  参考訳（メタデータ） (2022-02-10T18:51:57Z)
• Machine Number Sense: A Dataset of Visual Arithmetic Problems for Abstract and Relational Reasoning [95.18337034090648]
  文法モデルを用いて自動生成される視覚的算術問題からなるデータセット、MNS(Machine Number Sense)を提案する。 これらの視覚的算術問題は幾何学的フィギュアの形をしている。 我々は、この視覚的推論タスクのベースラインとして、4つの主要なニューラルネットワークモデルを用いて、MNSデータセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-04-25T17:14:58Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。