N-gram誘導ヘッドをTransformerに組み込むことで、文脈内強化学習の安定性とデータ効率を大幅に向上させることができる。
機械学習モデルの説明における不一致は、信頼性と応用可能性を阻害する深刻な問題であり、特に重要な意思決定が求められる状況下では深刻です。本稿では、ステークホルダー中心の視点から、説明可能な機械学習における多様な解釈の橋渡しをすることを目的とした新しいフレームワーク「EXAGREE」を紹介します。
本稿では、リハーサルなしでプロトタイプによって増強された軽量なプロンプトを協調的に学習する、効率的かつNon-IIDにロバストな連合継続学習フレームワーク、FPPLを提案する。
単峰構造を持つバンディット問題において、最良アームを効率的に識別するためのアルゴリズムを提案し、その性能を理論と実験の両面から検証する。
本稿では、部分的に未知の非線形制御システムに対し、ガウス過程を用いて未知のシステムダイナミクスを学習し、学習済みモデルに基づいてバックステッピング制御設計スキームを用いることで、システムをインクリメンタル入力対状態実用安定性(δ-ISpS)にする制御則を提案する。
X(旧Twitter)のアルゴリズムは、ユーザーの政治的立場に合わせたコンテンツを推奨し、反対意見への露出を減らすことで、エコーチェンバー効果を増幅させている可能性がある。
本稿では、トップダウンのセマンティック情報をスロットアテンション機構に組み込むことで、複雑な視覚環境におけるオブジェクト中心学習(OCL)の性能を向上させる新しいフレームワークを提案する。
本稿では、大規模グラフ、特にスパースなグラフにおける半教師あり学習のための、従来のグリーン関数法の不安定性と非効率性を改善する、改良されたグリーン関数法を提案する。
DPSMと呼ばれる新しいクラスタリング手法は、密度伝播とサブクラスタマージを用いることで、データ空間とグラフ空間の両方において、クラスター数を自動的に決定する効果的なクラスタリングを実現する。
データ拡張は、従来考えられていたような不変性の獲得だけでなく、表現学習自体を導く役割を担っており、適切なデータ拡張を選択することで、自己教師あり学習において任意の表現を獲得できる可能性がある。