論文の概要: Frame Theoretical Derivation of Three Factor Learning Rule for Oja's Subspace Rule

• arxiv url: http://arxiv.org/abs/2604.02849v1
• Date: Fri, 03 Apr 2026 08:09:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.392487
• Title: Frame Theoretical Derivation of Three Factor Learning Rule for Oja's Subspace Rule
• Title（参考訳）: Ojaのサブスペースルールに対する3要素学習ルールのフレーム理論的導出
• Authors: Taiki Yamada,
• Abstract要約: フレーム理論を用いて,PCA(EGHR-PCA)の誤り付きヘビアン則をOjaの部分空間規則から体系的に導出可能であることを示す。 これは、生物学的に妥当な学習規則を、数学的に正準的な規則から導出する原則的で非ヒューリスティックなものである。
• 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: We show that the error-gated Hebbian rule for PCA (EGHR-PCA), a three-factor learning rule equivalent to Oja's subspace rule under Gaussian inputs, can be systematically derived from Oja's subspace rule using frame theory. The global third factor in EGHR-PCA arises exactly as a frame coefficient when the learning rule is expanded with respect to a natural frame on the space of symmetric matrices. This provides a principled, non-heuristic derivation of a biologically plausible learning rule from its mathematically canonical counterpart.
• Abstract（参考訳）: 我々は,Ojaのサブスペース規則と等価な3要素学習規則であるPCA(EGHR-PCA)のエラーゲートヘビアン則が,フレーム理論を用いて,Ojaのサブスペース規則から体系的に導出可能であることを示す。 EGHR-PCAの大域的第三因子は、学習規則が対称行列空間上の自然なフレームに対して拡張されたときに、ちょうどフレーム係数として現れる。 これは、生物学的に妥当な学習規則を、数学的に正準的な規則から導出する原則的で非ヒューリスティックなものである。

関連論文リスト

• General Machine Learning: Theory for Learning Under Variable Regimes [2.538209532048866]
  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。
  論文  参考訳（メタデータ） (2026-03-24T13:58:31Z)
• On Context-Content Uncertainty Principle [5.234742752529437]
  我々は、コンテキスト-コンテンツ不確実性原理から運用原則を導出する階層計算フレームワークを開発する。 基盤レベルでは、CCUPは推論を方向性エントロピー最小化として定式化し、コンテンツファーストの構造化を好む変分勾配を確立する。 本稿では,形式的同値定理,原理間の依存格子,CCUP型推論の効率性向上を示す計算シミュレーションを提案する。
  論文  参考訳（メタデータ） (2025-06-25T17:21:19Z)
• RuleExplorer: A Scalable Matrix Visualization for Understanding Tree Ensemble Classifiers [20.416696003269674]
  本稿では,数万のルールを含む木アンサンブル分類法を説明するために,拡張性のある視覚解析手法を提案する。 我々は,これらのルールを階層レベルで優先順位付けするための,異常バイアスモデル削減手法を開発した。 本手法は,共通ルールと異常ルールの両方を深く理解し,包括性を犠牲にすることなく解釈性を向上させる。
  論文  参考訳（メタデータ） (2024-09-05T01:48:11Z)
• Faithful Differentiable Reasoning with Reshuffled Region-based Embeddings [62.93577376960498]
  知識グラフ埋め込み法は、実体の幾何学的表現と関係を学習し、妥当な不足した知識を予測する。 我々は、より大規模なルールベースを忠実にキャプチャできる制約の順序付けに基づくモデルであるRESHUFFLEを提案する。 フレームワークへのエンティティの埋め込みは、グラフニューラルネットワーク(GNN)によって学習され、事実上差別化可能なルールベースとして機能する。
  論文  参考訳（メタデータ） (2024-06-13T18:37:24Z)
• Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
  大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。 しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。 本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-18T03:38:51Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• Quantum Relativity of Subsystems [58.720142291102135]
  異なる参照フレームパースペクティブは、サブシステム観測可能代数の異なる集合を誘導し、ゲージ不変でフレーム依存的なサブシステムと絡み合いの概念をもたらすことを示す。 そのような QRF パースペクティブは、運動力学ヒルベルト空間と可観測代数の対応するテンソル分解性の観点から、サブシステム間の区別を継承しない。 この条件はQRFの選択に関係しているため、サブシステムの局所性の概念はフレーム依存である。
  論文  参考訳（メタデータ） (2021-03-01T19:00:01Z)
• Building Rule Hierarchies for Efficient Logical Rule Learning from Knowledge Graphs [20.251630903853016]
  本稿では,ルール階層を用いて非プロミッシングルールを抽出する新しい手法を提案する。 HPMの応用は非プロムルールの除去に有効であることを示す。
  論文  参考訳（メタデータ） (2020-06-29T16:33:30Z)

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。