論文の概要: Toward Machine Learning with the Unit as a Primitive: Learning from Unit-Linked Events

• arxiv url: http://arxiv.org/abs/2608.25118v1
• Date: Tue, 25 Aug 2026 20:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.430145
• Title: Toward Machine Learning with the Unit as a Primitive: Learning from Unit-Linked Events
• Title（参考訳）: プリミティブとしてのユニットによる機械学習を目指して - ユニットリンクイベントから学ぶ
• Abstract要約: 本稿では,タスクセマンティクスのレベルでの明示的なプリミティブとして,Emphunitを提案する。 機械学習タスクは、まず、永続的な参照と同一性基準の集団を宣言する。 教師付き学習が主要な形式的特殊化である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning is usually formalized through samples, while the persistent individual to which multiple observed or possible events refer often remains implicit. We propose the \emph{unit} as an explicit primitive at the level of task semantics. A learning task first declares a population of persistent referents and a sameness criterion; the realized value $u$ denotes the selected referent. Supervised learning is the main formal specialization. Its semantic object is a family of unit-conditioned response laws. Homogeneity is the special case in which those laws coincide; a sample-only conditional is silent as to whether the world is homogeneous or the observed law is only the marginal of a heterogeneous family. What is learned from data is a pair $(T_φ,R_θ)$: a tokenizer that produces a contextual unit token and one shared response-law form that reads it. The structured class takes that form to be a simple relation in the token; a linear predictor is the running instance. The token is the learner-side representation through which the task-side unit affects prediction, while a learner specification that omits unit information is unit-insensitive; homogeneity remains a property of the world-side response family. When identity is unresolved, the world-side law mixes unit-conditioned targets, while the learner composes its shared form with a token. A trusted resolver may fix the unit and supply a lookup token; otherwise \emph{unit abduction} forms a token of the same type from factual evidence. Unlinked single-row observations can fail to distinguish a heterogeneous unit world from a homogeneous pooled world; trusted same-unit pairs separate a restricted witness. The formal results concern this supervised specialization.
• Abstract（参考訳）: マシンラーニングは通常、サンプルを通じて形式化されるが、複数の観測または可能なイベントが参照する永続的な個人は、暗黙的なままであることが多い。 タスクセマンティクスのレベルで明示的なプリミティブとして \emph{unit} を提案する。 学習タスクは、まず、永続的な参照者の集団と同一性基準を宣言し、実効値$u$は選択された参照者を表す。 教師付き学習が主要な形式的特殊化である。 その意味的対象は、単位条件の応答法則の族である。 サンプルのみの条件式は、世界が均質であるか、あるいは観測された法則が異種族の境界のみであるかどうかに関して無音である。 データから学んだことは、ペア $(T_φ,R_θ)$: コンテキスト単位トークンを生成するトークンと、それを読む1つの共有応答-法則形式である。 構造化されたクラスは、その形式をトークンの単純な関係とみなし、線形予測器は実行中のインスタンスである。 トークンは、タスク側ユニットが予測に影響を与える学習者側表現であり、一方、単位情報を省略する学習者仕様はユニット非感受性である。 アイデンティティが未解決の場合、ワールドサイドの法則は単位条件付きターゲットを混合し、学習者はトークンで共有フォームを構成する。 信頼できるリゾルバは、ユニットを固定してルックアップトークンを供給でき、そうでなければ \emph{unit abduction} は、事実証拠から同じタイプのトークンを形成する。 リンクされていない単行観測は、異質な単位世界と均質なプール世界とを区別することができず、信頼された同一単位対は制限された目撃者を分離する。 公式な結果は、この監督された専門化に関係している。

関連論文リスト

• A Mathematical Theory of Interpretation: Rational Entropy, Spectral Readout, and Confusability as a Resource [0.0]
  MTIは、解釈をメソッド設計問題にする。 4条件証明書は、シャープ、デオーダブル、ミディアムフル、オーダー非依存の読み出しを特徴付ける。
  論文  参考訳（メタデータ） (2026-08-24T23:03:06Z)
• Structure Before Collapse: Transient semantic geometry in next-token prediction [33.942301586178914]
  Neural Collapseは、バランスの取れたワンホット分類が、モデル表現を互いに等しく遠くにプッシュする、と予測する。 次世代の予測言語モデルは、主にワンホットラベルでトレーニングされる。 トレーニングの初期に意味幾何学が出現し,共有属性によるクラスタ表現が現れる。
  論文  参考訳（メタデータ） (2026-06-25T08:33:34Z)
• Not All Synthetic Data Is Yours to Learn From [68.13136636413601]
  弱い自己学習は、事前訓練モデルにすでに存在する能力を増幅できることを示す。 我々はこれを、プロンプトフリーな無条件自己学習の最小設定で研究する。
  論文  参考訳（メタデータ） (2026-05-29T10:34:11Z)
• Contrastive Identification and Generation in the Limit [39.91890433860882]
  本研究では,学習者がデータに対するコントラスト的表現を観察する限界における,コントラスト的識別と生成について検討する。 我々は、敵の汚職の下で鋭い逆転を証明している:いかなる有限の汚職予算の下でも、対照的なペアから識別できるクラスが存在する。 統一された技術的対象は共通横断グラフであり、ペアワイズあいまいさ、家族レベルの生成障害、単一カバレッジ・アンド・インシデンス言語における腐敗欠陥をエンコードする。
  論文  参考訳（メタデータ） (2026-05-07T13:14:51Z)
• Diverse Dictionary Learning [47.381311762862985]
  観測データ$X = g(Z)$のみを与えられた場合、潜伏変数$Z$と生成プロセス$g$は未知であり、追加の仮定なしで$Z$を回収することは誤りである。 我々は、任意の観測に関連付けられた潜伏変数の交叉、補間、対称的な相違と、観測される潜伏変数の依存関係構造が、いまだ適切な不確定性まで同定可能であることを示す。
  論文  参考訳（メタデータ） (2026-04-19T18:18:34Z)
• Token Sampling Uncertainty Does Not Explain Homogeneity Bias in Large Language Models [0.0]
  均質性バイアスは、平等な言語技術を作るための大きな障害である。 6つの大言語モデル間でトークンサンプリングの不確かさの体系的差異によってバイアスが引き起こされるかどうかを検証する。
  論文  参考訳（メタデータ） (2025-01-31T17:36:12Z)
• Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization? [90.35044668396591]
  機械学習における繰り返しのテーマはアルゴリズムによるモノカルチャーである。同じシステム、またはコンポーネントを共有するシステムは、複数の意思決定者によってデプロイされる。 意思決定者がトレーニングデータや特定のモデルなどのコンポーネントを共有すれば、より均一な結果が得られます。 我々はこの仮説をアルゴリズムフェアネスベンチマークで検証し、トレーニングデータの共有がホモジェナイゼーションを確実に悪化させることを示した。 結果の均質化に関する哲学的分析と社会的な課題を、デプロイされた機械学習システムに含めることに着目して結論付ける。
  論文  参考訳（メタデータ） (2022-11-25T09:33:11Z)
• Resolving label uncertainty with implicit posterior models [71.62113762278963]
  本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。 異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
  論文  参考訳（メタデータ） (2022-02-28T18:09:44Z)
• Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
  本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。 提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2022-01-17T10:49:49Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)

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。