Fugu-MT 論文翻訳(概要): Interpretable Memory Models for Spaced Repetition

論文の概要: Interpretable Memory Models for Spaced Repetition

arxiv url: http://arxiv.org/abs/2610.10548v1
Date: Mon, 14 Sep 2026 19:48:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-12 09:53:32.094779
Title: Interpretable Memory Models for Spaced Repetition
Title（参考訳）: 空間的繰り返しに対する解釈可能な記憶モデル
Abstract要約: Spacedの繰り返しソフトウェアは、ログのレビューに適したメモリモデルでレビューをスケジュールする。 SBDは, ほぼ同じ精度で, 現在の最先端技術よりも解釈可能であり, 80%小さいモデルである。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spaced repetition software schedules reviews with a memory model fit to review logs. Accuracy on a test set is not sufficient evidence of quality since available data are produced by existing schedulers, and new solutions must extrapolate beyond them. A model also needs a simple mechanistic interpretation. We present SBD, a model that is more interpretable and 80% smaller than the current state of the art at nearly the same accuracy.
Abstract（参考訳）: Spacedの繰り返しソフトウェアは、ログのレビューに適したメモリモデルでレビューをスケジュールする。既存のスケジューラによって利用可能なデータが生成されるため、テストセットの正確さは品質の十分な証拠ではない。モデルは単純な機械的解釈も必要である。 SBD(SBD)は、現在の最先端技術よりも、ほぼ同じ精度で解釈可能で80%小さいモデルである。

関連論文リスト

A Hitchhiker's Guide to Scaling Law Estimation [56.06982415792523]
スケーリング法則は、より少ないパラメータやより少ないトレーニングセットで訓練が容易なモデルから外挿することで、ターゲットとなる機械学習モデルの損失を予測する。我々は1000以上のスケーリング法則を推定し、新しいモデルファミリーにおけるスケーリング法則を推定するためのベストプラクティスを導出する。
論文参考訳（メタデータ） (2024-10-15T17:59:10Z)
Certain and Approximately Certain Models for Statistical Learning [4.318959672085627]
特定のトレーニングデータや対象モデルに対して,不足値を持つデータから,正確なモデルを直接学習することが可能であることを示す。我々は、理論的に保証された効率的なアルゴリズムを構築し、この必要条件を確認し、計算が不要な場合に正確なモデルを返す。
論文参考訳（メタデータ） (2024-02-27T22:49:33Z)
SlimmeRF: Slimmable Radiance Fields [4.743863123290521]
SlimmeRFは,スリム化によるモデルサイズと精度のトレードオフを瞬時に行うことができるモデルである。我々はまた、スパースビューのシナリオにおいてより効果的なトレードオフを可能にし、スリム化後に高い精度を達成できることも観察した。
論文参考訳（メタデータ） (2023-12-15T18:59:55Z)
Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
論文参考訳（メタデータ） (2023-11-29T05:33:28Z)
Investigating Ensemble Methods for Model Robustness Improvement of Text Classifiers [66.36045164286854]
既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
論文参考訳（メタデータ） (2022-10-28T17:52:10Z)
Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文参考訳（メタデータ） (2022-10-11T10:20:31Z)
Predicting on the Edge: Identifying Where a Larger Model Does Better [61.793778186198864]
小型モデルが最も不確実な例では,大規模モデルが最も改善されていることを示す。小型モデルが不確実な場合,サンプルを大モデルにデフェクトするスイッチャーモデルにより,性能と資源利用の大幅な向上が達成できることを示す。
論文参考訳（メタデータ） (2022-02-15T18:53:14Z)
Comparative Study of Machine Learning Models and BERT on SQuAD [0.716879432974126]
BERTモデルはかつてSQuADで最先端であった。 BERTは100サンプルしか使用していない場合でも、実行時間が長くなります。予備的な機械学習モデルの場合、全データの実行時間は低くなりますが、精度は損なわれます。
論文参考訳（メタデータ） (2020-05-22T17:58:30Z)
Lifting Interpretability-Performance Trade-off via Automated Feature Engineering [5.802346990263708]
複雑なブラックボックス予測モデルは高い性能を持つが、解釈可能性の欠如は問題を引き起こす。本稿では, 弾性ブラックボックスを代理モデルとして用いて, よりシンプルで不透明で, 正確かつ解釈可能なガラスボックスモデルを作成する方法を提案する。
論文参考訳（メタデータ） (2020-02-11T09:16:45Z)

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。