前向き学習:未来への原理外挿【JST・京大機械翻訳】

De Silva Ashwin; Ramesh Rahul; Ungar Lyle; Shuler Marshall Hussain; Cowan Noah J.; Platt Michael; Li Chen; Isik Leyla; Roh Seung-Eon; Charles Adam; Venkataraman Archana; Caffo Brian; How Javier J.; Kebschull Justus M; Krakauer John W.; Bichuch Maxim; Kinfu Kaleab Alemayehu; Yezerets Eva; Jayaraman Dinesh; Shin Jong M.; Villar Soledad; Phillips Ian; Priebe Carey E.; Hartung Thomas; Miller Michael I.; Dey Jayanta; Ningyuan; Huang; Eaton Eric; Etienne-Cummings Ralph; Ogburn Elizabeth L.; Burns Randal; Osuagwu Onyema; Mensh Brett; Muotri Alysson R.; Brown Julia; White Chris; Yang Weiwei; Rusu Andrei A.; Verstynen Timothy; Kording Konrad P.; Chaudhari Pratik; Vogelstein Joshua T.

プレプリント

J-GLOBAL ID：202202202265879868 整理番号：22P0276532

前向き学習:未来への原理外挿【JST・京大機械翻訳】

Prospective Learning: Principled Extrapolation to the Future

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (43件)： , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
資料名：
発行年： 2022年01月18日プレプリントサーバーでの情報更新日： 2023年07月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

学習は,過去の経験に基づいて決定ルールを更新できるプロセスであり,将来の性能が向上する。伝統的に,機械学習は,将来が過去の分布または変化に同一であるという仮定の下で評価される。しかし,これらの仮定は,実世界における多くの問題に対して楽観的または楽観的である。実世界シナリオは,部分的に予測可能な動力学で複数の時空間スケールにわたって進化する。ここでは,学習問題を,部分的に学習可能な動的未来のこのアイデアの周りで,学習問題を再定式化した。タスクの特定のシーケンスは,遡及的に学習できない(データ配布が固定される)が,前向き学習(分布が動的である)であり,前向き学習が,遡及的学習よりも,より難しいことを示唆する。前向き学習は,(1)現在,既存の人工知能解および/または(2)自然知能がそれらをどのように解決するかに対する適切な説明を欠いている,多くの実世界問題をより正確に特徴付けると主張する。したがって,前向き学習を研究することは,自然および人工知能の両者において,現在,課題を伝えるためのより深い洞察および解決策につながるであろう。【JST・京大機械翻訳】

, , , , , , ,
, 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る