論文の概要: General Machine Learning: Theory for Learning Under Variable Regimes
- arxiv url: http://arxiv.org/abs/2603.23220v1
- Date: Tue, 24 Mar 2026 13:58:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.513237
- Title: General Machine Learning: Theory for Learning Under Variable Regimes
- Title（参考訳）: 汎用機械学習: 可変レジーム下での学習の理論
- Authors: Aomar Osmani,
- Abstract要約: 本研究では,学習者,記憶状態,評価条件が時間とともに変化しうる状況下での学習について検討する。
本稿では, 許容輸送, 保護コア保存, 評価者対応学習の進化を主眼とした, 体制的変化の枠組みを開発する。
- 参考スコア（独自算出の注目度）: 2.538209532048866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study learning under regime variation, where the learner, its memory state, and the evaluative conditions may evolve over time. This paper is a foundational and structural contribution: its goal is to define the core learning-theoretic objects required for such settings and to establish their first theorem-supporting consequences. The paper develops a regime-varying framework centered on admissible transport, protected-core preservation, and evaluator-aware learning evolution. It records the immediate closure consequences of admissibility, develops a structural obstruction argument for faithful fixed-ontology reduction in genuinely multi-regime settings, and introduces a protected-stability template together with explicit numerical and symbolic witnesses on controlled subclasses, including convex and deductive settings. It also establishes theorem-layer results on evaluator factorization, morphisms, composition, and partial kernel-level alignment across semantically commensurable layers. A worked two-regime example makes the admissibility certificate, protected evaluative core, and regime-variation cost explicit on a controlled subclass. The symbolic component is deliberately restricted in scope: the paper establishes a first kernel-level compatibility result together with a controlled monotonic deductive witness. The manuscript should therefore be read as introducing a structured learning-theoretic framework for regime-varying learning together with its first theorem-supporting layer, not as a complete quantitative theory of all learning systems.
- Abstract（参考訳）: 本研究では,学習者,記憶状態,評価条件が時間とともに変化しうる状況下での学習について検討する。
本論文は基礎的かつ構造的な貢献であり、その目的は、そのような設定に必要なコアラーニング理論オブジェクトを定義し、最初の定理支持結果を確立することである。
本稿では, 許容輸送, 保護コア保存, 評価者対応学習の進化を主眼とした, 体制的変化の枠組みを開発する。
それは、許容性の即時閉鎖結果を記録し、真に複数の登録設定における忠実な固定オントロジー削減のための構造的妨害論を展開し、凸や減退的設定を含む制御サブクラスの明示的な数値的および象徴的な証人とともに、保護された安定性テンプレートを導入する。
また、評価因子分解、射、構成、意味論的に可換な層間の部分的なカーネルレベルアライメントに関する定理層の結果も確立している。
動作中の2つの登録例は、許容証明書、保護された評価コア、およびコントロールされたサブクラスで明示されたシステマティヴァライゼーションコストを生成する。
シンボリックコンポーネントは意図的にスコープに制限されており、制御されたモノトニックな誘引的証人とともに、第1のカーネルレベルの互換性結果を確立する。
したがって、本書は、すべての学習システムの完全な定量的理論としてではなく、第1の定理支持層とともに、体制変化学習のための構造化学習理論の枠組みを導入すべきである。
関連論文リスト
- A Formal Descriptive Language for Learning Dynamics: A Five-Layer Structural Coordinate System [0.0]
本稿では,動的学習のための多層形式記述フレームワークを提案する。
予測モデルや規範モデルを提供するのではなく、状態変数、マッピング、レイヤ固有の責務で構成されるシンボリック言語を導入している。
論文 参考訳（メタデータ） (2025-12-20T22:46:13Z) - Reasoning Systems as Structured Processes: Foundations, Failures, and Formal Criteria [1.2064681974642195]
我々は、現象、説明空間、推論と生成マップ、原理ベースからなる構造体として推論システムをモデル化する。
我々は,コヒーレンス,健全性,完全性を含む基本的な内部基準と,矛盾,不完全性,非収束性といった典型的な障害モードのカタログを調査する。
この研究の目的は、特に内部の失敗、適応、断片化が発生する可能性のある状況において、推論システムを表現し比較するための基礎構造を確立することである。
論文 参考訳（メタデータ） (2025-08-03T14:04:15Z) - Towards a unified framework for programming paradigms: A systematic review of classification formalisms and methodological foundations [0.0]
この体系的な文献レビューは、プログラミングパラダイムの正式な基礎をマッピングする。
既存の概念的な粒度の欠如、統一された形式的基盤、ハイブリッド言語との闘いが判明した。
文献は、分類から有望な形式的、再構築的な枠組みへの大きな知的シフトを反映していると結論付けている。
論文 参考訳（メタデータ） (2025-08-01T11:19:40Z) - DeepTheorem: Advancing LLM Reasoning for Theorem Proving Through Natural Language and Reinforcement Learning [67.93945726549289]
DeepTheoremは、数学的推論を強化するために自然言語を活用する包括的な非公式な定理証明フレームワークである。
DeepTheoremには、121Kの高品質なIMOレベルの非公式な定理と証明からなる大規模なベンチマークデータセットが含まれている。
我々は、証明された定理の変種を利用して堅牢な数学的推論を動機付けることによって、非公式な定理証明に適した新しい強化学習戦略(RL-Zero)を考案する。
論文 参考訳（メタデータ） (2025-05-29T17:59:39Z) - Coarse Set Theory for AI Ethics and Decision-Making: A Mathematical Framework for Granular Evaluations [0.0]
粗い倫理 (CE) は、文字のグレードや警告ラベルなどの粗い評価を、認知的および文脈的制約の下で倫理的に適切であるものとして正当化する理論的な枠組みである。
本稿では、完全順序構造と粗い分割を用いた粗粒度決定をモデル化する新しい数学的枠組みである粗粒度集合論(CST)を紹介する。
CSTは集合間の階層的関係を定義し、Kulback-Leibler Divergenceのような情報理論ツールを使用して、単純化と情報損失の間のトレードオフを定量化する。
論文 参考訳（メタデータ） (2025-02-11T08:18:37Z) - Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。
本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。
実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術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） (2024-08-10T17:04:39Z) - Distributional Associations vs In-Context Reasoning: A Study of Feed-forward and Attention Layers [49.80959223722325]
本研究では,大規模言語モデルにおけるフィードフォワード層とアテンション層との区別について検討する。
フィードフォワード層はビッグラムのような単純な分布関係を学習する傾向があり、注意層は文脈内推論にフォーカスする。
論文 参考訳（メタデータ） (2024-06-05T08:51:08Z) - Towards Understanding the Mechanism of Contrastive Learning via
Similarity Structure: A Theoretical Analysis [10.29814984060018]
Kernel Contrastive Learning (KCL) と呼ばれるカーネルベースのコントラスト学習フレームワークについて検討する。
本稿では,統計的依存関係の観点から学習表現の類似性構造を定式化する。
下流タスクの分類誤差の新しい上限を示し、これは我々の理論が比較学習の実証的成功と一致することを説明している。
論文 参考訳（メタデータ） (2023-04-01T21:53:29Z) - Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。
我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。
我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
論文 参考訳（メタデータ） (2021-10-18T17:56:02Z) - A Unified Taylor Framework for Revisiting Attribution Methods [49.03783992773811]
我々はTaylor属性フレームワークを提案し、7つの主流属性メソッドをフレームワークに再構成する。
我々はTaylor属性フレームワークにおいて、良い属性の3つの原則を確立する。
論文 参考訳（メタデータ） (2020-08-21T22:07:06Z) - Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。
これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。
本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
論文 参考訳（メタデータ） (2020-03-02T13:59:41Z)
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。