論文の概要: Self-Directed Task Identification

• arxiv url: http://arxiv.org/abs/2604.02430v1
• Date: Thu, 02 Apr 2026 18:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.16036
• Title: Self-Directed Task Identification
• Title（参考訳）: 自己指示型タスク識別
• Authors: Timothy Gould, Sidike Paheding,
• Abstract要約: 自己指向タスク識別(SDTI)と呼ばれる新しい機械学習フレームワークを提案する。 これにより、事前トレーニングなしで、ゼロショット設定で各データセットの正しいターゲット変数を自律的に特定できる。 SDTIは適切な問題定式化とアーキテクチャ設計によって実現可能であることを示す。
• 参考スコア（独自算出の注目度）: 4.984601297028257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we present a novel machine learning framework called Self-Directed Task Identification (SDTI), which enables models to autonomously identify the correct target variable for each dataset in a zero-shot setting without pre-training. SDTI is a minimal, interpretable framework demonstrating the feasibility of repurposing core machine learning concepts for a novel task structure. To our knowledge, no existing architectures have demonstrated this ability. Traditional approaches lack this capability, leaving data annotation as a time-consuming process that relies heavily on human effort. Using only standard neural network components, we show that SDTI can be achieved through appropriate problem formulation and architectural design. We evaluate the proposed framework on a range of benchmark tasks and demonstrate its effectiveness in reliably identifying the ground truth out of a set of potential target variables. SDTI outperformed baseline architectures by 14% in F1 score on synthetic task identification benchmarks. These proof-of-concept experiments highlight the future potential of SDTI to reduce dependence on manual annotation and to enhance the scalability of autonomous learning systems in real-world applications.
• Abstract（参考訳）: 本研究では,ゼロショット設定で各データセットの適切なターゲット変数を事前学習せずに自律的に識別することのできる,自己指示タスク識別(SDTI)と呼ばれる新しい機械学習フレームワークを提案する。 SDTIは最小限の解釈可能なフレームワークであり、新しいタスク構造のためにコア機械学習の概念を再購入する可能性を示している。 私たちの知る限り、既存のアーキテクチャでは、この能力を示していません。 従来のアプローチではこの機能が欠如しており、人間の努力に大きく依存する時間を要するプロセスとしてデータアノテーションが残されている。 標準のニューラルネットワークコンポーネントのみを用いて、適切な問題定式化とアーキテクチャ設計によりSDTIを実現できることを示す。 提案したフレームワークを,様々なベンチマークタスクで評価し,提案手法の有効性を実証した。 SDTIは、合成タスク識別ベンチマークのF1スコアにおいて、ベースラインアーキテクチャを14%上回った。 これらの概念実証実験は、手動アノテーションへの依存を減らし、現実世界のアプリケーションにおける自律学習システムのスケーラビリティを高めるために、SDTIの将来の可能性を強調している。

関連論文リスト

• Simplicity Prevails: The Emergence of Generalizable AIGI Detection in Visual Foundation Models [15.709482146201283]
  現代のビジョン・ファンデーション・モデル(Vision Foundation Models)の凍結した特徴に基づいて訓練された単純な線形分類器は、新しい最先端技術を確立している。 この基準線は標準ベンチマーク上の特別な検出器と一致し、また、ウィジェット内のデータセット上では決定的に優れていることを示す。 我々は、AIの法医学におけるパラダイムシフトを提唱し、静的ベンチマークの過度な適合から、ファンデーションモデルの進化する世界の知識を現実の信頼性に活用することへと移行した。
  論文  参考訳（メタデータ） (2026-02-02T07:20:02Z)
• Toward IIT-Inspired Consciousness in LLMs: A Reward-Based Learning Framework [7.582178041791117]
  本稿では、報酬に基づく学習パラダイムを用いて、言語モデルにおける意識の先導的理論である統合情報理論(IIT)の実装について検討する。 テキストの因果性、一貫性、統合性、意識的な処理に関連する特徴を定量化する新しい報酬関数を定式化する。 ドメインタスクの内、注意深いチューニングは、ベースモデルに匹敵する精度を維持しながら、出力長を最大31%削減する。
  論文  参考訳（メタデータ） (2026-01-30T10:07:58Z)
• Forging Spatial Intelligence: A Roadmap of Multi-Modal Data Pre-Training for Autonomous Systems [75.78934957242403]
  自動運転車とドローンは、マルチモーダル搭載センサーデータから真の空間情報を必要とする。 本稿では,この目標に向かって進む中核的な技術群を同定し,マルチモーダル・プレトレーニングのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-30T17:58:01Z)
• Understanding Catastrophic Interference: On the Identifibility of Latent Representations [67.05452287233122]
  破滅的な干渉、あるいは破滅的な忘れ(Caastrophic forgetting)は、機械学習の根本的な課題である。 本稿では,破滅的干渉を識別問題として定式化する新しい理論枠組みを提案する。 我々のアプローチは、合成データセットとベンチマークデータセットの両方で理論的保証と実用的なパフォーマンスの改善を提供する。
  論文  参考訳（メタデータ） (2025-09-27T00:53:32Z)
• Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
  この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。 本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:04:39Z)
• Shortcut Learning Susceptibility in Vision Classifiers [11.599035626374409]
  ショートカット学習は、機械学習モデルが意味のある特徴をキャプチャする代わりに、データの急激な相関を利用する場所である。 本研究では,クラスラベルと位置と強度の相関関係にあるデータセットに意図的にショートカットを導入する。 異なる学習率で学習をショートカットする可能性を評価する。
  論文  参考訳（メタデータ） (2025-02-13T10:25:52Z)
• Zero-Shot Object-Centric Representation Learning [72.43369950684057]
  ゼロショット一般化のレンズによる現在の対象中心法について検討する。 8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。 多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T10:37:07Z)
• Silver Linings in the Shadows: Harnessing Membership Inference for Machine Unlearning [7.557226714828334]
  ニューラルネットワークから特定のデータサンプルの影響を除去する新しい学習機構を提案する。 この目的を達成するために、我々は、ターゲットモデルの重みやアクティベーション値からプライバシーに敏感な情報を排除するための、新しい損失関数を構築した。 本研究の結果は,未学習の有効性とレイテンシ,および主課題の忠実度の観点から,我々のアプローチの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2024-07-01T00:20:26Z)

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。