論文の概要: Structuring Relations Among Learning Paradigms via Protocol--Objective--Resource Reductions

• arxiv url: http://arxiv.org/abs/2609.32766v1
• Date: Sat, 26 Sep 2026 16:38:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:31:51.914603
• Title: Structuring Relations Among Learning Paradigms via Protocol--Objective--Resource Reductions
• Title（参考訳）: プロトコル-目的-資源削減による学習パラダイム間の構造的関係
• Abstract要約: 本稿では,表現能力と設計選択を分離するプロトコル・オブジェクト・リソース(POR)フレームワークを提案する。 我々の主定理は、そのような減少が組込み比較クラスにおける最悪のケースの複雑性支配を暗示していることを示している。 エピソードなメタラーニングとパラダイム内精細化のためのエピソード・ツー・アンプ・リダクション法を考案した。
• 参考スコア（独自算出の注目度）: 7.774159184252743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern machine learning spans supervised, transfer, continual, meta-learning, and related regimes that often reuse the same hypothesis classes, architectures, and optimizers but differ in information access, objectives, memory, adaptation, and sample accounting. This makes it difficult to determine whether one paradigm is genuinely distinct, a special case of another, or part of a broader structural hierarchy. We introduce a protocol-objective-resource (POR) framework that separates representational capacity from these design choices. A paradigm is specified by an environment class, observation protocol, admissible learners, performance functional, and resource accounting rule. POR reductions combine environment embeddings, learner compilers, threshold maps, and calibrated resource overheads. Our main theorem shows that such reductions imply worst-case complexity domination on embedded comparison classes, transferring upper bounds forward and lower bounds backward; under labeled-example accounting, this yields sample complexity domination. We also show that calibrated nontrivial accuracy regimes are necessary to avoid vacuous comparisons, and that strengthening the objective can strictly increase minimax sample complexity even with unchanged protocols and learner classes. Instantiating the framework for supervised, transfer, continual, and meta-learning yields canonical special-case relations: continual contains transfer, transfer contains supervised, and meta-learning contains supervised under aligned raw-example accounting. We further derive a non-exact episode-to-example reduction for episodic meta-learning and capture within-paradigm refinements such as replay memory and task identifiers. The framework thus provides a unified language for structuring learning paradigms and transferring complexity guarantees across them.
• Abstract（参考訳）: 現代の機械学習は、しばしば同じ仮説クラス、アーキテクチャ、オプティマイザを再利用するが、情報アクセス、目的、メモリ、適応、サンプル会計が異なる、教師付き、転送、継続、メタラーニング、関連する体制にまたがる。 これにより、あるパラダイムが真に異なるものなのか、別の特別な場合なのか、より広い構造的階層の一部であるのかを決定するのが難しくなる。 本稿では,これらの設計選択から表現能力を分離するプロトコル・オブジェクト・リソース(POR)フレームワークを提案する。 パラダイムは、環境クラス、観察プロトコル、許容学習者、パフォーマンス機能、リソース会計規則によって規定される。 PORの削減は環境埋め込み、学習コンパイラ、しきい値マップ、調整済みのリソースオーバーヘッドを組み合わせる。 我々の主定理は、そのような減少が組込み比較クラスにおける最悪の複雑性支配を暗示し、上界と下界を後方に転送することを示し、ラベル付きサンプル会計の下では、サンプル複雑性支配をもたらす。 また,無関係なプロトコルや学習者クラスであっても,目的の強化が極端に最小限の複雑さを増大させる可能性があることを示す。 監督、転送、継続、メタラーニングの枠組みを確立させると、標準的特殊ケース関係が成立する: 継続は転送を含み、転送は監督され、メタラーニングは、整列された生例会計の下で監督される。 さらに,記憶の再生やタスク識別子などのパラダイム内改良を捉えることで,エピソード・ツー・サンプルの削減を図り,エピソードメタラーニングに役立てる。 このフレームワークは、学習パラダイムを構造化し、複雑性を保証するために統一された言語を提供する。

関連論文リスト

• Pretraining Reusable Inference Across Views with Synthetic Task Priors [21.47966082652401]
  現代の事前訓練されたエンコーダは、不均一なビューからの表現を再利用しやすくするが、ビューユーティリティを決定し、エビデンスを組み合わせる手順は、下流の各タスクにまだ残されている。 提案するSIMPLEは,クエリラベルを小さなラベル付きサポートセットに条件付けすることで,クエリラベルを予測するマルチコンテキスト学習システムである。 マルチビューおよびマルチオミクスベンチマークの実験は、SIMPLEの凍結版が推論バックボーンを更新することなく競合性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-08-19T17:10:03Z)
• The Art of Not Forgetting A Local Learning Architecture for Continual Learning [0.0]
  入力をスパースリレーショナルコードとして再帰する連続学習アーキテクチャであるCMPを導入する。 本研究では,スパース表現,局所学習,永続記憶の組み合わせが破滅的な記憶を減少させるかどうかを考察する。
  論文  参考訳（メタデータ） (2026-07-29T06:42:23Z)
• The Art of Interrogation: Consistency Amplifies Factuality in Spatial Reasoning [65.67266333751569]
  現在のLRM(Large Reasoning Models)は、空間推論タスクにおいて顕著な汎用性を示すが、性能は著しく劣る。 本研究では,内的推論プロセスを対象とした自己指導型強化学習フレームワークを提案する。 このラベルのない整合性トレーニングは,地道的な監督によって訓練されたモデルの精度にアプローチし,多様なタスクやデータ領域にまたがる同様の一般化を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-10T10:50:06Z)
• Geometric Factual Recall in Transformers [57.48371649045765]
  一般的な見解では、内部の重み行列は埋め込みのペアに対する連想記憶として捉えられ、事実の数と線形にスケールする記憶数を必要とする。 我々は、学習した埋め込みが直接構造を符号化する、別のエンフェロメトリックな形態の記憶の理論的、実証的な説明を開発する。 単層変圧器が被写体から共有属性集合へのランダムベクトルを記憶しなければならない制御環境では、対数埋め込み次元が十分であることを示す。 これらの結果をマルチホップ設定に拡張し、証明可能なチェーン・オブ・シークレットによる構築を提供する。
  論文  参考訳（メタデータ） (2026-05-12T17:22:22Z)
• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• Incomplete Multi-View Multi-Label Classification via Shared Codebook and Fused-Teacher Self-Distillation [39.27376279295644]
  一貫性のある表現学習のためのより構造化されたメカニズムを導入する。 マルチビュー共有コードブックとクロスビュー再構成を用いて、離散的な一貫した表現を学習する。 さらに,融合型自己蒸留フレームワークについても紹介する。
  論文  参考訳（メタデータ） (2026-04-05T16:22:38Z)
• A Hierarchical Quantized Tokenization Framework for Task-Adaptive Graph Representation Learning [8.608851021844576]
  この研究は、複数のスケールにわたるタスク適応アグリゲーションのための自己重み付け機構を導入する階層的な量子化フレームワークを提案する。 ノード分類とリンク予測のためのベンチマークデータセットの実験では、同等の計算予算の下で、強いベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2025-10-14T10:36:43Z)
• Stackelberg Coupling of Online Representation Learning and Reinforcement Learning [45.70357546589222]
  SCORERは,表現とQラーニングを階層型ゲームにおける2つの戦略エージェントとみなす,価値に基づくRLのためのフレームワークである。 提案するSCORERフレームワークは, 2時間スケールのアルゴリズムで解を近似する二段階最適化問題に導かれる。
  論文  参考訳（メタデータ） (2025-08-10T18:36:54Z)
• Large Language Models as Realistic Microservice Trace Generators [48.730974361862366]
  本稿では,大規模言語モデル (LLM) を用いて, 合成作業負荷トレースを生成する手法を提案する。 我々はTraceLLMが様々な条件下で多様なリアルなトレースを生成し、精度と妥当性の両方において既存のアプローチよりも優れていることを示す。 TraceLLMは、キートレース機能を予測したり、欠落したデータを埋め込むといった、下流のトレース関連タスクに適応する。
  論文  参考訳（メタデータ） (2024-12-16T12:48:04Z)
• Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning with Adaptive Classification Criterion [50.03041373044267]
  本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。 実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
  論文  参考訳（メタデータ） (2023-05-20T19:22:40Z)
• Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
  原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。 PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。 PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
  論文  参考訳（メタデータ） (2020-05-11T09:53:36Z)

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。