Fugu-MT 論文翻訳(概要): Object-Oriented Transition Modeling with Inductive Logic Programming

論文の概要: Object-Oriented Transition Modeling with Inductive Logic Programming

arxiv url: http://arxiv.org/abs/2602.07602v1
Date: Sat, 07 Feb 2026 16:11:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-10 20:26:24.717134
Title: Object-Oriented Transition Modeling with Inductive Logic Programming
Title（参考訳）: 帰納的論理プログラミングを用いたオブジェクト指向遷移モデリング
Authors: Gabriel Stella, Dmitri Loguinov,
Abstract要約: 我々は,従来の手法よりもはるかに強力な新しい学習アルゴリズムを開発した。アブレーションテストやニューラルベースラインとの比較を含む徹底的な実験は、最先端技術よりも大幅に改善されていることを示している。
参考スコア（独自算出の注目度）: 4.560623715441945
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Building models of the world from observation, i.e., induction, is one of the major challenges in machine learning. In order to be useful, models need to maintain accuracy when used in novel situations, i.e., generalize. In addition, they should be easy to interpret and efficient to train. Prior work has investigated these concepts in the context of object-oriented representations inspired by human cognition. In this paper, we develop a novel learning algorithm that is substantially more powerful than these previous methods. Our thorough experiments, including ablation tests and comparison with neural baselines, demonstrate a significant improvement over the state-of-the-art.
Abstract（参考訳）: 観察、すなわち誘導から世界のモデルを構築することは、機械学習における大きな課題の1つである。有用性を得るためには、モデルは新しい状況、すなわち一般化で使われる場合の精度を維持する必要がある。さらに、解釈が容易で、訓練の効率化も必要です。先行研究は、人間の認知に触発されたオブジェクト指向表現の文脈において、これらの概念を調査してきた。本稿では,従来の手法よりもはるかに強力な新しい学習アルゴリズムを開発する。アブレーションテストやニューラルベースラインとの比較を含む徹底的な実験は、最先端技術よりも大幅に改善されていることを示している。

関連論文リスト

A Survey of Inductive Reasoning for Large Language Models [55.23215679173251]
帰納的モードは知識の一般化に不可欠であり、人間の認知とよく一致している。帰納的推論の重要性にもかかわらず、体系的な要約は存在しない。本稿では,大規模言語モデルに対する帰納的推論の包括的調査を行う。
論文参考訳（メタデータ） (2025-10-11T11:45:38Z)
On the Inductive Bias of Stacking Towards Improving Reasoning [50.225873619537765]
言語モデルのトレーニングを最大40%高速化できるMIDASと呼ばれる段階的スタック方式を提案する。 MIDASはトレーニング効率だけでなく、ダウンストリームタスクを改善するための誘導バイアスも備えている。我々は、この帰納バイアスの根底にある理由を、ループモデルへの積み重ねの接続を探索することによって推測する。
論文参考訳（メタデータ） (2024-09-27T17:58:21Z)
Evaluating the Utility of Model Explanations for Model Development [54.23538543168767]
機械学習モデル構築の実践シナリオにおいて、説明が人間の意思決定を改善するかどうかを評価する。驚いたことに、サリエンシマップが提供されたとき、タスクが大幅に改善されたという証拠は見つからなかった。以上の結果から,サリエンシに基づく説明における誤解の可能性と有用性について注意が必要であることが示唆された。
論文参考訳（メタデータ） (2023-12-10T23:13:23Z)
Surprisal Driven $k$-NN for Robust and Interpretable Nonparametric Learning [1.4293924404819704]
我々は情報理論の観点から、隣り合う従来のアルゴリズムに新たな光を当てた。単一モデルを用いた分類,回帰,密度推定,異常検出などのタスクに対する頑健で解釈可能なフレームワークを提案する。我々の研究は、分類と異常検出における最先端の成果を達成することによって、アーキテクチャの汎用性を示す。
論文参考訳（メタデータ） (2023-11-17T00:35:38Z)
Longer Fixations, More Computation: Gaze-Guided Recurrent Neural Networks [12.57650361978445]
人間はさまざまなペースでテキストを読み、機械学習モデルはそれぞれのトークンを同じように扱う。本稿では,この直感を固定誘導並列RNNやレイヤを用いた新しいモデルに変換する。興味深いことに、ニューラルネットワークによって予測される固定期間は、人間の固定と多少似ている。
論文参考訳（メタデータ） (2023-10-31T21:32:11Z)
Generative Models as a Complex Systems Science: How can we make sense of large language model behavior? [75.79305790453654]
事前訓練されたモデルから望ましい振る舞いを排除し、望ましくないモデルを避けながら、NLPを再定義した。言語モデルの振る舞いをタスク間性能を説明するカテゴリに分解する体系的な取り組みについて論じる。
論文参考訳（メタデータ） (2023-07-31T22:58:41Z)
Robust Graph Representation Learning via Predictive Coding [46.22695915912123]
予測符号化は、当初脳の情報処理をモデル化するために開発されたメッセージパッシングフレームワークである。本研究では,予測符号化のメッセージパス規則に依存するモデルを構築する。提案したモデルは,帰納的タスクと帰納的タスクの両方において,標準的なモデルに匹敵する性能を示す。
論文参考訳（メタデータ） (2022-12-09T03:58:22Z)
A Benchmark for Compositional Visual Reasoning [5.576460160219606]
我々は、よりデータ効率のよい学習アルゴリズムへ進むために、新しいビジュアル推論ベンチマークであるコンポジションビジュアルリレーショナル(CVR)を導入する。我々は,流体知能と非言語推論テストからインスピレーションを得て,抽象ルールと関連する画像データセットを大規模に作成するための新しい手法について述べる。提案するベンチマークには, タスクルール間のサンプル効率, 一般化, 転送, および, 構成性を活用する能力が含まれている。
論文参考訳（メタデータ） (2022-06-11T00:04:49Z)
What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文参考訳（メタデータ） (2022-02-12T06:10:15Z)
A Minimalist Dataset for Systematic Generalization of Perception, Syntax, and Semantics [131.93113552146195]
我々は,機械が一般化可能な概念を学習する能力を調べるため,新しいデータセットであるHINT(Hand written arithmetic with INTegers)を提案する。 HINTでは、イメージなどの生信号から概念がどのように認識されるかを学ぶことが機械のタスクである。我々は、RNN、Transformer、GPT-3など、様々なシーケンス・ツー・シーケンスモデルで広範囲に実験を行った。
論文参考訳（メタデータ） (2021-03-02T01:32:54Z)
"Why is 'Chicago' deceptive?" Towards Building Model-Driven Tutorials for Humans [19.32935518528528]
我々は、人間が機械の予測を理解するのを助けるためのモデル駆動チュートリアルを探索する。チュートリアルは、リアルタイムのアシストなしで、人間のパフォーマンスを実際に改善している。我々の研究は、人間中心のチュートリアルと、人間とAIのシナジーへの説明の今後の方向性を示唆している。
論文参考訳（メタデータ） (2020-01-14T19:00:00Z)

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。