論文の概要: Adapting, Fast and Slow: Transportable Circuits for Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2512.22777v1
• Date: Sun, 28 Dec 2025 04:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.218451
• Title: Adapting, Fast and Slow: Transportable Circuits for Few-Shot Learning
• Title（参考訳）: ファウショット学習のための輸送可能な回路の適応・高速・低速化
• Authors: Kasra Jalaldoust, Elias Bareinboim,
• Abstract要約: ドメイン全体の一般化は、目に見えないターゲットドメイン w.r.t を制約する構造を主張しなければ不可能である。 我々は、定性的なドメイン知識へのアクセスに依存するゼロショット合成一般化のためのアルゴリズムを設計する。 我々の理論的結果は、グラフィカル回路の可搬性基準の観点から、数発の学習可能なタスクのクラスを特徴づける。
• 参考スコア（独自算出の注目度）: 54.930879235929204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalization across the domains is not possible without asserting a structure that constrains the unseen target domain w.r.t. the source domain. Building on causal transportability theory, we design an algorithm for zero-shot compositional generalization which relies on access to qualitative domain knowledge in form of a causal graph for intra-domain structure and discrepancies oracle for inter-domain mechanism sharing. \textit{Circuit-TR} learns a collection of modules (i.e., local predictors) from the source data, and transport/compose them to obtain a circuit for prediction in the target domain if the causal structure licenses. Furthermore, circuit transportability enables us to design a supervised domain adaptation scheme that operates without access to an explicit causal structure, and instead uses limited target data. Our theoretical results characterize classes of few-shot learnable tasks in terms of graphical circuit transportability criteria, and connects few-shot generalizability with the established notion of circuit size complexity; controlled simulations corroborate our theoretical results.
• Abstract（参考訳）: ドメイン間の一般化は、未知のターゲットドメインw.r.t.をソースドメインに制約する構造を主張しなければ不可能である。 因果輸送可能性理論に基づいて、ドメイン内構造のための因果グラフとドメイン間機構共有のための離散オラクルという形で定性的なドメイン知識へのアクセスに依存するゼロショット合成一般化のアルゴリズムを設計する。 \textit{Circuit-TR} はソースデータからモジュール(ローカル予測器)の集合を学習し、因果構造がライセンスされた場合、ターゲット領域で予測するための回路を得る。 さらに、回路トランスポータビリティにより、明示的な因果構造にアクセスせずに動作し、限られた対象データを使用する教師付きドメイン適応スキームを設計できる。 我々の理論結果は,グラフィカルな回路輸送可能性の基準から学習可能なタスクのクラスを特徴付け,回路サイズ複雑性の確立した概念と少数ショットの一般化性を結びつけ,制御されたシミュレーションが理論的結果を裏付けるものである。

関連論文リスト

• A Unified Analysis of Generalization and Sample Complexity for Semi-Supervised Domain Adaptation [1.9567015559455132]
  ドメイン適応は、ソースドメインの豊富なラベル情報を活用して、限られたラベルを持つターゲットドメインの分類性能を向上させる。 既存の理論的分析のほとんどは、ソースとターゲットドメインが同じ入力空間を共有するような単純化された設定に焦点を当てている。 本稿では、ドメインアライメントに基づくドメイン適応アルゴリズムに関する包括的な理論的研究を行う。
  論文  参考訳（メタデータ） (2025-07-30T12:53:08Z)
• A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
  本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。 TVEは従来のトレーニング前のベースラインを一貫して上回っている。 本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
  論文  参考訳（メタデータ） (2025-07-14T00:17:21Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Logifold: A Geometrical Foundation of Ensemble Machine Learning [0.0]
  データセット理解のための局所的・局所的・測度論的アプローチを提案する。 中心となる考え方は、ロジフォールド構造を定式化し、制限されたドメインを持つネットワークモデルをデータセットの局所チャートとして解釈することである。
  論文  参考訳（メタデータ） (2024-07-23T04:47:58Z)
• DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
  因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。 我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
  論文  参考訳（メタデータ） (2024-02-29T07:09:01Z)
• Overcoming Shortcut Learning in a Target Domain by Generalizing Basic Visual Factors from a Source Domain [7.012240324005977]
  ショートカット学習は、深層ニューラルネットワークが下流タスクを解決するためにトレーニングデータセットの急激な相関に過度に依存する場合に発生する。 制御不能な対象領域におけるショートカット学習を緩和する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-07-20T16:05:32Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Unsupervised Domain Adaptation for Image Classification via Structure-Conditioned Adversarial Learning [70.79486026698419]
  Unsupervised Domain Adapt (UDA) は、典型的には、ラベルリッチなソースドメインから非ラベル付きターゲットドメインへの知識転送を、逆学習によって行う。 ドメイン分散アライメント中にクラス内コンパクト性を維持することができる、エンドツーエンドの構造条件付き対人学習スキーム(SCAL)を提案する。
  論文  参考訳（メタデータ） (2021-03-04T03:12:54Z)

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。