論文の概要: Teaching and Learning under Deductive Errors

• arxiv url: http://arxiv.org/abs/2605.13384v1
• Date: Wed, 13 May 2026 11:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.018833
• Title: Teaching and Learning under Deductive Errors
• Title（参考訳）: 帰納的誤りの指導と学習
• Authors: Jan Arne Telle, Brigt Håvardstun, Jose Hernandez-Orallo,
• Abstract要約: 本研究は,教師の異なる特徴が,機械教育と学習の両方を考慮に入れることができるため,機械教育の事例について考察する。 本研究では,確率的確率的近似(PAC, Probably Aough Correct, PAC, Probably Aough Correct, PAC)を理論的に検討し,ある推定誤差レベルにおいて,教師は高い確率で学習者がほぼ正しい仮説を推測する指導セットを見つけなければならないことを示した。
• 参考スコア（独自算出の注目度）: 3.799151816246267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most models of machine teaching and learning assume the learner makes no errors in its internal deductive inference. However, humans and large language models in few-shot learning regimes are two important examples of learners where this does not hold. They fail on some consistency checks, and they can fail stochastically. In this paper we introduce a teaching and learning framework that takes these deductive errors into account. We specifically study the case of machine teaching, as different characterizations of the teacher can account for both machine teaching and learning. In an overhauled Probably Approximately Correct (PAC) setting, we study theoretically that, for some estimated error level, the teacher must find a PAC teaching set that with high probability will lead the learner to guess a hypothesis that is approximately correct. We study the computational complexity of six different problems related to computing optimal PAC teaching sets. We give XP algorithms parametrized by size of teaching set, with tight runtime bounds under standard complexity assumptions like ETH. These results are complemented with a small experimental study of which teaching and learning protocols can best represent the observed behavior in some LLM teaching sessions.
• Abstract（参考訳）: 機械教育と学習のほとんどのモデルは、学習者が内部的推論において誤りを犯さないと仮定している。 しかし,これらが成立しない学習者の重要な例は,人間と大規模言語モデルである。 一貫性チェックでフェールし、確率的にフェールします。 本稿では,これらの帰納的誤りを考慮に入れた授業学習フレームワークを提案する。 具体的には,教師の異なる特徴が,機械教育と学習の両方を考慮に入れることができるため,機械教育の事例を特に研究する。 本研究では,教師が予測誤差レベルにおいて,高い確率で学習者がほぼ正しい仮説を推測するために,PACの授業セットを見つける必要があることを理論的に検討した。 本研究では、最適PAC教育セットに関する6つの異なる問題の計算複雑性について検討する。 私たちは、ETHのような標準的な複雑性仮定の下で、厳密なランタイム境界を持つXPアルゴリズムを教育セットのサイズによってパラメタ化します。 これらの結果は、いくつかのLLM授業セッションにおいて観察された振る舞いを最もよく表すことができる教育・学習プロトコルに関する小さな実験研究と補完される。

関連論文リスト

• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• One-shot Machine Teaching: Cost Very Few Examples to Converge Faster [45.96956111867065]
  単発機械教育という,よりインテリジェントな教育パラダイムについて検討する。 学習セットからモデルパラメータへの抽出可能なマッピングを確立する。 この写像が主観的であることを証明し、最適指導セットの存在を保証する。
  論文  参考訳（メタデータ） (2022-12-13T07:51:17Z)
• Iterative Teaching by Data Hallucination [37.246902903546896]
  本稿では,教師が学習者の状況に基づいた事例を逐次提示する反復型機械教育の課題について考察する。 本稿では,教師がラベルや学習者の状況,目標概念に基づいて,知的に入力データを生成することのできるデータ幻覚教育(DHT)を提案する。
  論文  参考訳（メタデータ） (2022-10-31T16:48:47Z)
• A Survey of Learning on Small Data: Generalization, Optimization, and Challenge [101.27154181792567]
  ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。 この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。 効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
  論文  参考訳（メタデータ） (2022-07-29T02:34:19Z)
• Black-box Generalization of Machine Teaching [63.384268678926325]
  我々は、より厳密なslack項を $left とするブラックボックス教育仮説 $hmathcalT$ を導入する。 この教示仮説の指導の下で、学習者はより厳密な一般化誤差とラベル複雑性境界に収束できることを示す。
  論文  参考訳（メタデータ） (2022-06-30T11:41:04Z)
• Iterative Teacher-Aware Learning [136.05341445369265]
  人間の教育において、教師と学生はコミュニケーション効率を最大化するために適応的に交流することができる。 本稿では,教師の協調意図を可能性関数に組み込むことができる,勾配最適化に基づく教師認識学習者を提案する。
  論文  参考訳（メタデータ） (2021-10-01T00:27:47Z)
• Distribution Matching for Machine Teaching [64.39292542263286]
  機械学習の逆問題である機械学習は、学習者の目標仮説に向けて学習者を操ることを目的としている。 機械教育に関するこれまでの研究は、それらの最良の指導例を見つけるための教育のリスクとコストのバランスに重点を置いていた。 本稿では,分布マッチングに基づく機械教育戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-06T09:32:57Z)
• The Sample Complexity of Teaching-by-Reinforcement on Q-Learning [40.37954633873304]
  本研究は,TDim (Teaching dimension) と称される授業の複雑さを,TDim(Teaching dimension,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim, TDim,TDim,TDim,TDim,TDim,TDim,TDim,TDim) 本稿では,TDimを,環境に対する制御能力の異なる教師によって特徴付ける,強化学習アルゴリズム,Q-ラーニング,TDimの特定のファミリーに焦点をあてる。 TDimの結果は、強化学習に必要なサンプルの最小数を提供し、標準的なPACスタイルのRLサンプルの複雑さと、実演によるサンプルの複雑さとを関連づける。
  論文  参考訳（メタデータ） (2020-06-16T17:06:04Z)
• Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
  本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。 本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
  論文  参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。