Fugu-MT 論文翻訳(概要): Machine-learnable Sets

論文の概要: Machine-learnable Sets

arxiv url: http://arxiv.org/abs/2606.28947v1
Date: Sat, 27 Jun 2026 14:39:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:15.737392
Title: Machine-learnable Sets
Title（参考訳）: 機械学習可能な集合
Abstract要約: これらの要素は容易に認識でき、容易に生成でき、後者のタスクは例から容易に学習できる。形式主義は、二進文字列の集合と、集合の要素を固定する有界複素度ブールオートエンコーダの存在に基づく「機械学習性」の定義に特化している。
参考スコア（独自算出の注目度）: 0.013714053458441644
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this study we present a formal definition of large discrete sets having, informally, three properties: their elements are easily recognized, easily generated, and the latter tasks are easily learned from examples. The formalism is specialized to sets of binary strings and a definition of "machine-learnability" based on the existence of a bounded-complexity Boolean autoencoder that fixes the elements of the set. We present experiments where the autoencoders are implemented by nets of Boolean threshold functions. Machine-learnability is demonstrated for Rorschach patterns (that may have reversed contrast in the mirrored half), and considerably "wilder" sets whose elements are only approximately fixed by admissible autoencoders. In the second case we demonstrate a simple iteration that evolves wild sets to make them properly machine-learnable.
Abstract（参考訳）: 本研究では,3つの性質を持つ大規模離散集合の形式的定義について述べる。それらの要素は容易に認識でき,容易に生成でき,後者のタスクは例から容易に学習できる。形式主義は、二進文字列の集合と、集合の要素を固定する有界複素度ブールオートエンコーダの存在に基づく「機械学習性」の定義に特化している。本稿では,ブールしきい値関数のネットを用いてオートエンコーダを実装した実験を行う。機械の学習性は、ロールシャッハパターン(ミラー付きハーフのコントラストを逆転させたかもしれない)と、許容可能なオートエンコーダによってほぼ固定された要素を持つかなり「ミルダー」集合に対して示される。第2のケースでは、ワイルドセットを進化させ、それらを適切に機械で学習できるようにするシンプルなイテレーションを実演します。

関連論文リスト

Partial Feedback Online Learning [88.27143767009376]
我々は、偏見フィードバックオンライン学習と呼ばれる新しい学習プロトコルについて研究する。各インスタンスは許容できるラベルのセットを許可するが、学習者は1ラウンドごとに許容できるラベルを1つだけ観察する。
論文参考訳（メタデータ） (2026-01-29T09:39:11Z)
Learning words in groups: fusion algebras, tensor ranks and grokking [0.06554326244334864]
単純な2層ニューラルネットワークは任意の単語操作を任意の有限群で学習できることを示す。ネットワークはストラッセンの意味で効率的な行列乗法を効果的に実装していることを示す。私たちの研究は、勾配降下下でネットワークがそのような解に達するメカニズムにも光を当てています。
論文参考訳（メタデータ） (2025-09-08T17:43:45Z)
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)
Sparse Autoencoders Enable Scalable and Reliable Circuit Identification in Language Models [0.0]
本稿では,大規模言語モデルにおける解釈可能な回路を発見するための,効率的かつ堅牢な手法を提案する。本稿では, 慎重に設計した正負の例に対して, スパースオートエンコーダを訓練する。本研究は,スケーラブルかつ効率的な機械的解釈性を実現するための離散スパースオートエンコーダの実現を示唆するものである。
論文参考訳（メタデータ） (2024-05-21T06:26:10Z)
Ensemble of Counterfactual Explainers [17.88531216690148]
本稿では,弱い説明者を増やす反事実的説明者のアンサンブルを提案し,そのような特性のサブセットのみを提供する。このアンサンブルは、インスタンスと機能のサンプルで弱い説明器を実行し、多様性駆動の選択関数を利用して結果を組み合わせる。
論文参考訳（メタデータ） (2023-08-29T10:21:50Z)
Don't Explain Noise: Robust Counterfactuals for Randomized Ensembles [50.81061839052459]
我々は確率論的問題として、堅牢な対実的説明の生成を定式化する。アンサンブルモデルのロバスト性とベース学習者のロバスト性との関係を示す。本手法は, 反実的説明から初期観測までの距離をわずかに増加させるだけで, 高いロバスト性を実現する。
論文参考訳（メタデータ） (2022-05-27T17:28:54Z)
Statistically Meaningful Approximation: a Case Study on Approximating Turing Machines with Transformers [50.85524803885483]
本研究は,統計的学習性を示すために近似ネットワークを必要とする統計有意(SM)近似の形式的定義を提案する。回路とチューリングマシンの2つの機能クラスに対するSM近似について検討する。
論文参考訳（メタデータ） (2021-07-28T04:28:55Z)
High-dimensional separability for one- and few-shot learning [58.8599521537]
この作業は、実用的な質問、人工知能(AI)エラーの修正によって進められている。特殊な外部デバイスである修正器が開発されている。従来のAIシステムを変更することなく、迅速かつ非イテレーティブなシステム修正を提供する必要がある。 AIシステムの新しいマルチコレクタが提示され、深層畳み込みニューラルネットワークによってエラーを予測し、新しいクラスのオブジェクトを学習する例が紹介される。
論文参考訳（メタデータ） (2021-06-28T14:58:14Z)
Mini-Batch Consistent Slot Set Encoder for Scalable Set Encoding [50.61114177411961]
大規模のミニバッチセットエンコーディングに必要な、Mini-Batch Consistencyと呼ばれる新しいプロパティを紹介します。本稿では,設定要素に対してミニバッチ処理が可能で,より多くのデータが到着するにつれて,セット表現を更新できる,スケーラブルで効率的なセット符号化機構を提案する。
論文参考訳（メタデータ） (2021-03-02T10:10:41Z)
Machine Learning String Standard Models [0.0]
教師なしと教師なしの学習が検討されています固定コンパクト化多様体の場合、比較的小さなニューラルネットワークは正しいゲージ群と一貫した線束モデルを区別することができる。非トポロジ的特性、特にヒッグス多重数の学習は、より困難であることが判明したが、ネットワークのサイズと特徴強化されたデータセットを使用することで可能である。
論文参考訳（メタデータ） (2020-03-30T11:14:14Z)
Learn to Predict Sets Using Feed-Forward Neural Networks [63.91494644881925]
本稿では、ディープフィードフォワードニューラルネットワークを用いた設定予測の課題に対処する。未知の置換と基数を持つ集合を予測するための新しい手法を提案する。関連視覚問題に対する集合定式化の有効性を実証する。
論文参考訳（メタデータ） (2020-01-30T01:52:07Z)

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。