論文の概要: Coordinate Matrix Machine: A Human-level Concept Learning to Classify Very Similar Documents

• arxiv url: http://arxiv.org/abs/2512.23749v2
• Date: Thu, 01 Jan 2026 11:18:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 13:15:27.682177
• Title: Coordinate Matrix Machine: A Human-level Concept Learning to Classify Very Similar Documents
• Title（参考訳）: Coordinate Matrix Machine: 非常に類似した文書を分類する人間レベルの概念学習
• Authors: Amin Sadri, M Maruf Hossain,
• Abstract要約: 座標行列マシン(CM$2$)を提示する。 文書構造を学習し、この情報を使って文書を分類することで、人間の知性を増強する。 人間の考える構造的「重要な特徴」のみを識別することで、人間レベルの概念学習を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-level concept learning argues that humans typically learn new concepts from a single example, whereas machine learning algorithms typically require hundreds of samples to learn a single concept. Our brain subconsciously identifies important features and learns more effectively. Contribution: In this paper, we present the Coordinate Matrix Machine (CM$^2$). This purpose-built small model augments human intelligence by learning document structures and using this information to classify documents. While modern "Red AI" trends rely on massive pre-training and energy-intensive GPU infrastructure, CM$^2$ is designed as a Green AI solution. It achieves human-level concept learning by identifying only the structural "important features" a human would consider, allowing it to classify very similar documents using only one sample per class. Advantage: Our algorithm outperforms traditional vectorizers and complex deep learning models that require larger datasets and significant compute. By focusing on structural coordinates rather than exhaustive semantic vectors, CM$^2$ offers: 1. High accuracy with minimal data (one-shot learning) 2. Geometric and structural intelligence 3. Green AI and environmental sustainability 4. Optimized for CPU-only environments 5. Inherent explainability (glass-box model) 6. Faster computation and low latency 7. Robustness against unbalanced classes 8. Economic viability 9. Generic, expandable, and extendable
• Abstract（参考訳）: 人間レベルの概念学習は、人間が1つの例から新しい概念を学ぶのに対し、機械学習アルゴリズムは1つの概念を学ぶのに数百のサンプルを必要とする。 私たちの脳は、重要な特徴を意識的に識別し、より効果的に学習します。 コントリビューション: この論文では、座標行列マシン(CM$^2$)を提示する。 この目的構築された小型モデルは、文書構造を学習し、この情報を用いて文書を分類することにより、人間の知性を増強する。 現在の"Red AI"のトレンドは、大規模な事前トレーニングとエネルギー集約型GPUインフラストラクチャに依存しているが、CM$^2$は、Green AIソリューションとして設計されている。 これは、人間が考慮すべき構造的「重要な特徴」のみを識別し、クラスごとに1つのサンプルだけを使用して非常に類似した文書を分類することで、人間レベルの概念学習を実現する。 利点:我々のアルゴリズムは、より大きなデータセットと重要な計算を必要とする従来のベクタライザや複雑なディープラーニングモデルよりも優れています。 総括的意味ベクトルよりも構造座標に着目したCM$^2$: 1. 最小データによる高精度(ワンショット学習) 幾何学的・構造知能 グリーンAIと環境サステナビリティ 4. CPUオンリー環境への最適化 5.本質的な説明可能性(ガラス箱モデル) 6.高速計算と低レイテンシ 7.不均衡クラスに対するロバスト性 8. 経済性 9.ジェネリック、拡張可能、拡張可能

関連論文リスト

• AI Agents as Universal Task Solvers [94.49762121230042]
  我々は,過去のデータを用いて,普遍的な解法が達成できる最適なスピードアップが,アルゴリズム情報と密接な関係があることを示す。 我々は、推論モデルをスケールする際に最適化する重要な量は時間であり、学習における重要な役割は、これまでは間接的にのみ考慮されてきたと論じている。
  論文  参考訳（メタデータ） (2025-10-14T02:17:54Z)
• Data Science Principles for Interpretable and Explainable AI [0.7581664835990121]
  解釈可能でインタラクティブな機械学習は、複雑なモデルをより透明で制御しやすいものにすることを目的としている。 本論は, この分野における文献の発達から重要な原則を合成するものである。
  論文  参考訳（メタデータ） (2024-05-17T05:32:27Z)
• Brain-inspired Computational Intelligence via Predictive Coding [73.42407863671565]
  予測符号化(PC)は、機械学習コミュニティにとって潜在的に価値のある、有望な特性を示している。 PCライクなアルゴリズムは、機械学習とAIの複数のサブフィールドに存在し始めている。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Hierarchical Empowerment: Towards Tractable Empowerment-Based Skill Learning [65.41865750258775]
  汎用エージェントは、大量のスキルのレパートリーを必要とする。 我々は、コンピューティングのエンパワーメントをより魅力的にする新しいフレームワーク、階層エンパワーメントを導入します。 一般的なアリナビゲーション領域では、我々の4つのレベルエージェントは、以前の作業よりも2桁大きい表面積をカバーするスキルを学ぶことができる。
  論文  参考訳（メタデータ） (2023-07-06T02:27:05Z)
• AIGenC: An AI generalisation model via creativity [1.933681537640272]
  本稿では,創造性に関する認知理論に触発された計算モデル(AIGenC)を紹介する。 人工エージェントが変換可能な表現を学習、使用、生成するために必要なコンポーネントを配置する。 本稿では, 人工エージェントの配当効率を向上するモデルの有効性について論じる。
  論文  参考訳（メタデータ） (2022-05-19T17:43:31Z)
• Learning Perceptual Concepts by Bootstrapping from Human Queries [41.07749131023931]
  本稿では,ロボットが概念の低次元変種を学習し,それを用いて高次元空間における概念学習のためのより大きなデータセットを生成する手法を提案する。 これにより、オブジェクトのポーズやバウンディングボックスなど、トレーニング時にのみアクセス可能な意味的に意味のある特権情報の活用が可能になる。
  論文  参考訳（メタデータ） (2021-11-09T16:43:46Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)
• Dark, Beyond Deep: A Paradigm Shift to Cognitive AI with Humanlike Common Sense [142.53911271465344]
  我々は、次世代のAIは、新しいタスクを解決するために、人間のような「暗黒」の常識を取り入れなければならないと論じている。 我々は、人間のような常識を持つ認知AIの5つの中核領域として、機能、物理学、意図、因果性、実用性(FPICU)を識別する。
  論文  参考訳（メタデータ） (2020-04-20T04:07:28Z)
• Intelligence, physics and information -- the tradeoff between accuracy and simplicity in machine learning [5.584060970507507]
  私は、インテリジェンスを多くの統合的な側面で見ることと、タスクのパフォーマンスと複雑さの間の普遍的な2日間のトレードオフは、2つの実現可能な視点を提供すると信じています。 この論文では、インテリジェンスのいくつかの側面においていくつかの重要な問題に対処し、2期間のトレードオフにおける相転移について研究する。
  論文  参考訳（メタデータ） (2020-01-11T18:34:29Z)

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。