論文の概要: The Dynamics of Quasiregular Neural Learning

• arxiv url: http://arxiv.org/abs/2609.26018v1
• Date: Tue, 22 Sep 2026 11:21:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.341035
• Title: The Dynamics of Quasiregular Neural Learning
• Title（参考訳）: 準正弦波ニューラルラーニングのダイナミクス
• Abstract要約: 言語習得におけるU字型学習の動機付けとして,制御された準正則回帰問題におけるこの相互作用について検討する。 この結果から,ニューラルラーニング時の規則性と例外との単純な競合を分離した。
• 参考スコア（独自算出の注目度）: 1.7767466724342065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many learning problems combine a dominant regularity with systematic exceptions. Motivated by U-shaped learning in language acquisition, we study this interaction in controlled quasiregular regression problems where regular and exceptional solutions are explicitly known. Neural networks can partially acquire exceptions, subsequently regress toward the dominant regularity, and finally recover. This overregularization becomes substantially stronger when exceptions are rare, despite their early acquisition, but does not emerge equally across all regularities considered. Our results isolate a simple form of competition between regularities and exceptions during neural learning.
• Abstract（参考訳）: 多くの学習問題は、支配的な規則性と体系的な例外を組み合わせる。 言語習得におけるU字型学習によって動機付けられたこの相互作用は、正規解と例外解が明確に知られている制御された準正則回帰問題において研究される。 ニューラルネットワークは例外を部分的に取得し、その後、支配的な規則性に向かって回帰し、最終的に回復する。 このオーバーレギュラー化は、初期の買収にもかかわらず例外が稀であるときに著しく強くなるが、考慮されたすべての規則に等しく現れない。 この結果から,ニューラルラーニング時の規則性と例外との単純な競合を分離した。

関連論文リスト

• Evaluating the relationship between regularity and learnability in recursive numeral systems using Reinforcement Learning [3.9284102395030653]
  極めて正規な人間のようなシステムは、証明されていないが不規則なシステムよりも学習が容易である。 また,不自然で不規則なシステムにおいて,正規性が学習性に与える影響は欠落しており,学習性は信号長の影響を受けないことがわかった。
  論文  参考訳（メタデータ） (2026-02-25T09:27:02Z)
• Deep Learning is Not So Mysterious or Different [54.5330466151362]
  我々は、異常な一般化行動はニューラルネットワークとは異なるものではないと主張している。 我々はこれらの現象を説明する上で重要な統一原理として、軟性誘導バイアスを提示する。 また、ディープラーニングが、表現学習の能力など、他の方法と相対的に異なる点を強調します。
  論文  参考訳（メタデータ） (2025-03-03T22:56:04Z)
• Regularized Neural Ensemblers [55.15643209328513]
  本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• A Unified Generalization Analysis of Re-Weighting and Logit-Adjustment for Imbalanced Learning [129.63326990812234]
  そこで本研究では,データ依存型コンダクタンス(Data-dependent contraction)と呼ばれる手法を提案する。 この技術に加えて、不均衡学習のための微粒な一般化境界が確立され、再重み付けとロジット調整の謎を明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-10-07T09:15:08Z)
• Universal Regression with Adversarial Responses [26.308541799686505]
  非I.d.インスタンスシーケンスの大規模クラスの下で、逆応答を伴う回帰のためのアルゴリズムを提供する。 我々は,学習者の強い一貫性を求める普遍的な一貫性を,値応答の制限なしに検討する。
  論文  参考訳（メタデータ） (2022-03-09T22:10:30Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Failures of model-dependent generalization bounds for least-norm interpolation [39.97534972432276]
  最小ノルム線形回帰器の一般化性能に関するバウンダリを考察する。 訓練例における様々な自然な関節分布に対して、任意の有効な一般化境界は非常に緩くなければならない。
  論文  参考訳（メタデータ） (2020-10-16T16:30:05Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。