論文の概要: Wide Learning: Learning to Reach Evidence

• arxiv url: http://arxiv.org/abs/2608.29608v1
• Date: Sun, 30 Aug 2026 06:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.019041
• Title: Wide Learning: Learning to Reach Evidence
• Title（参考訳）: 広義の学習 - 証拠を得るための学習
• Abstract要約: 学習者の状態は、どのエビデンス生成実験が有界資源の下で確実に実現できるかを決定することができる。 学習者状態,デプロイメント予算,信頼性しきい値,評価分布に対して有効なリーチを定式化する。
• 参考スコア（独自算出の注目度）: 1.7301456826129922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning is usually evaluated after an evidence interface has been fixed. A dataset, sensor suite, query language, action set, or experimental protocol determines which observations can be obtained, and learning is judged by what it extracts from them. We study a complementary capability. A learner's state can determine which evidence-generating experiments it can reliably realise under bounded resources, even when primitive affordances remain fixed. We call this learner-relative experiment family its effective epistemic reach, and use Wide Learning for task-relevant learning-induced changes in that family.We formalise effective reach relative to learner state, deployment budget, reliability threshold, and evaluation distribution. In a controlled construction, two hidden worlds have exactly the same public observation law. An informative diagnostic exists in a fixed five-primitive substrate. Before calibration, one address attempt realises it with probability at most $2^{-10} = 1/1024$, below a pre-specified 0.95 threshold; after calibration, held-out realisation is 1. Public-channel total variation is 0, whereas the realised diagnostic has total variation 1, and sealed binary risk moves from approximately 1/2 to 0. The construction establishes that learning can change effective epistemic reach even when primitive affordances and deployment resources are held fixed. It opens a complementary evaluation question for learning systems: not only what they infer from available evidence, but what informative evidence experience teaches them to bring within reach.
• Abstract（参考訳）: マシンラーニングは通常、エビデンスインターフェースが修正された後に評価される。 データセット、センサースイート、クエリ言語、アクションセット、または実験的プロトコルは、どの観測結果が得られるかを決定し、そこから抽出したものによって学習が判断される。 私たちは補完的な能力について研究する。 学習者の状態は、プリミティブな余裕が固定されたままでも、どのエビデンス生成実験が有界なリソースの下で確実に実現できるかを判断することができる。 我々は,この学習者関連実験ファミリーを効果的な疫学的リーチと呼び,その家族におけるタスク関連学習による変化に対してワイドラーニングを用い,学習者状態,デプロイメント予算,信頼性閾値,評価分布に対する効果的なリーチを定式化する。 制御された構成では、2つの隠れた世界は、全く同じ公開観測法を持つ。 固定された5原始基板に情報診断が存在する。 キャリブレーション前、あるアドレス試行では、少なくとも2^{-10} = 1/1024$の確率で、予め指定された0.95しきい値以下でそれを実現する。 公開チャネルの総変動は0, 実現された診断は総変量1, 封入された二分リスクは約1/2から0である。 この構造は、原始的な余裕や配備資源が固定されている場合でも、学習が効果的な疫学的到達度を変えることができることを証明している。 学習システムに対する補完的な評価の質問が開かれ、それらが利用可能な証拠から何を推測するかだけでなく、情報的な証拠経験が彼らにリーチすることを教える。

関連論文リスト

• The Information Shadow: Measuring Structural Limits on What Language Models Can Learn [0.0]
  情報シャドー: テキスト学習者がスケールに関係なく取得できない現象。 Type Iでは、Language Compression Residualsは、信号が失われるテキストライクなエンコーディングしか見ないテキスト学習者と、信号を直接見るフルシグナル学習者を比較する。 II型では、非現実的識別テストは2つの非互換なルールと完全に一致したデータでモデルを訓練する。
  論文  参考訳（メタデータ） (2026-07-17T06:04:07Z)
• NOVA: Fundamental Limits of Knowledge Discovery Through AI [28.64853265018765]
  本研究では,共通生成,検証,蓄積,再学習のループを知識空間上の適応的サンプリングプロセスとしてモデル化するNOVAフレームワークを提案する。 蓄積された真の知識が最終的に有限領域をカバーする十分な条件を特定し、それらの違反がどのように異なる障害モードを生成するかを示す。 我々は、ガイダンス、生成、検証、検証を通じて人間の増幅を形式化し、専門家の入力が自律的な探査障壁の近くで最も価値がある理由を説明する。
  論文  参考訳（メタデータ） (2026-05-12T21:37:09Z)
• An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
  DRQ-learnerと呼ばれる新しいメタラーナーを開発した。 DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
  論文  参考訳（メタデータ） (2025-09-30T15:49:29Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• Learning states enhanced knowledge tracing: Simulating the diversity in real-world learning process [16.472568558398482]
  知識追跡タスクは、歴史的相互作用に基づいて学習者の将来のパフォーマンスを予測することに焦点を当てる。 我々はLSKT(Learning State Enhanced Knowledge Tracing)という新しい手法を提案する。 4つの実世界のデータセットによる実験結果から,我々のLSKT法は現在の最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-12-27T09:41:25Z)
• Pre-training and Diagnosing Knowledge Base Completion Models [58.07183284468881]
  我々は,事実の集合から他の集合への知識伝達へのアプローチを,エンティティや関係マッチングを必要とせずに導入し,分析する。 主な貢献は、構造化されていないテキストから収集された事実の大規模事前学習を利用する方法である。 得られた事前学習モデルをよりよく理解するために,オープン知識ベースコンプリートのための事前学習モデルの解析のための新しいデータセットを導入する。
  論文  参考訳（メタデータ） (2024-01-27T15:20:43Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Towards a theory of out-of-distribution learning [23.878004729029644]
  本稿では,PAC学習フレームワークを用いて,異なる学習課題を定義するための時系列的アプローチを提案する。 まずは流通学習から始め、最近提案された生涯学習や継続学習へと進む。 この研究によって、さまざまなタイプの学習を定量化する、普遍的に合意されたアプローチがもたらされることを期待しています。
  論文  参考訳（メタデータ） (2021-09-29T15:35:16Z)
• EaZy Learning: An Adaptive Variant of Ensemble Learning for Fingerprint Liveness Detection [14.99677459192122]
  指紋の生存度検出機構は、データセット内環境では良好に機能するが、クロスセンサーおよびクロスデータセット設定下では不幸にも失敗する。 指紋スプーフ検出器の一般化能力、堅牢性、相互運用性を高めるために、学習モデルはデータに適応する必要がある。 本稿では,熱心学習と遅延学習の中間に適応できる汎用モデルであるEaZy学習を提案する。
  論文  参考訳（メタデータ） (2021-03-03T06:40:19Z)
• Towards Understanding Ensemble, Knowledge Distillation and Self-Distillation in Deep Learning [93.18238573921629]
  本研究では,学習モデルのアンサンブルがテスト精度を向上させる方法と,アンサンブルの優れた性能を単一モデルに蒸留する方法について検討する。 深層学習におけるアンサンブル/知識蒸留は,従来の学習理論とは大きく異なる。 また, 自己蒸留は, アンサンブルと知識蒸留を暗黙的に組み合わせて, 試験精度を向上させることができることを示した。
  論文  参考訳（メタデータ） (2020-12-17T18:34:45Z)
• Towards Improved and Interpretable Deep Metric Learning via Attentive Grouping [103.71992720794421]
  グループ化は、様々な特徴の計算にディープ・メトリック・ラーニングでよく用いられてきた。 本稿では,任意のメトリクス学習フレームワークと柔軟に統合可能な,改良された解釈可能なグループ化手法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T19:08:24Z)
• A Wholistic View of Continual Learning with Deep Neural Networks: Forgotten Lessons and the Bridge to Active and Open World Learning [8.188575923130662]
  オープンデータセット認識による顕著な教訓,観測データセット外の統計的逸脱したデータの識別,および近接するアクティブラーニングの分野は,深層学習時代においてしばしば見過ごされる。 我々の結果は、これは個々のパラダイムに利益をもたらすだけでなく、共通のフレームワークにおける自然なシナジーを強調していることを示している。
  論文  参考訳（メタデータ） (2020-09-03T16:56:36Z)

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。