ترغب بنشر مسار تعليمي؟ اضغط هنا

التصنيف والاستدلال البيئي في نظرية نوع الاحتمالية مع السجلات

Bayesian Classification and Inference in a Probabilistic Type Theory with Records

157   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

نقترح حساب احتمامي للتناسم الدلالي والتصنيف المصنوع من حيث نظرية النوع الاحتمالية مع السجلات، والبناء على كوبر وآخرون.آل.(2014) وكوبر وآخرون.آل.(2015).نقترح أن نقترح تركيبات نظرية من النوع الاحتمالية من أسلاك بايس، وشبكات بايزيان.العنصر المركزي في هذه المنشآت هو نسخة نظرية من النوع من متغير عشوائي.نوضح هذا الحساب مع لعبة لغة بسيطة تجمع بين التصنيف الاحتمالي للمدخلات الإحصائية مع الاستدلال الاحتمالية (الدلالي).

المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

بدءا من حساب موجود للتصنيف الدلالي والتعلم من التفاعل المصنوع في نظرية النوع الاحتمالية مع السجلات، يشمل الاستدلال بايزي والتعلم بنكهة متكررة، نلاحظ بعض المشاكل في هذا الحساب وتقديم حساب بديل للتعلم التصنيف الذي يعالج الملاحظمشاكل.الحساب المقترح هو أ يضا بايزيا على نطاق واسع في الطبيعة ولكن بدلا من ذلك يستخدم نموذج تحويل خطي للتصنيف والتعلم.
توفر الدلالات الرسمية في تقليد مونتاجوفي صياغة معنى دقيقا، ولكن عادة دون نظرية رسمية من البراغماتية لمعايير السياق وحساستها لمعرفة الخلفية. وفي الوقت نفسه، تجعل النظريات الرسمية البراغماتية تنبؤات صريحة حول المعنى في السياق، ولكنها عموما دون دلالات ت ركيبية محددة جيدا. نقترح إطارا مشتركا للتفسير الدلالي والعملي للجمل في مواجهة المعرفة الاحتمالية. نحن نقوم بذلك (1) تمديد مخطط تفسير Montagovian لتوليد التوزيع عبر المعاني المحتملة، و (2) إنشاء خلفي لهذا التوزيع باستخدام متغير نماذج قانون الكلام الرشيد (RSA)، ولكن معمم على المقترحات التعسفية. يتم ربط هذه الجوانب من إطارنا معا من خلال تقييم الاستقصاء بموجب عدم اليقين الاحتمالي. نطبق نموذجنا على قرار أنشفورا وإظهار أنه يوفر تحيزات متوقعة بموجب افتراضات مناسبة حول توزيعات المعرفة المعجمية والعالمية. علاوة على ذلك، نلاحظ أن إخراج النموذج قوي للتغيرات في معاييرها داخل نطاقات معقولة.
التصنيف العاطفي هو مهمة ربط النص تلقائيا بمشاعر بشرية.عادة ما يتم تعلم النماذج من أحدث النماذج باستخدام كورسا المشروح أو الاعتماد على المعجم العاطفي المصنوعة يدويا.نقدم نموذج تصنيف العاطفة لا يتطلب أن تكون كوربوس مشروحة كبيرة تنافسية.نقوم بتجربة نماذ ج اللغة المسبقة مسبقا في كل من طلقة صفرية وعدد قليل من التكوين.نبني العديد من هذه النماذج ونظرا لهم بأنها متحيزة، صاخبة صاخبة، أدائها الفردي ضعيف.نحن نكمل تنبؤات هذه النماذج باستخدام طريقة بايزي تطورت أصلا لشرائيات النمذجة الجماعية.بعد ذلك، نظهر أن النظام الناتج يؤدي أفضل من أقوى النموذج الفردي.أخيرا، نظهر أنه عند التدريب على عدد قليل من البيانات المسمى، تتفوق أنظمتنا النماذج الخاضعة للإشراف بالكامل.
pimentel et al. (2020) تم تحليلها مؤخرا التحقيق من منظور نظرية المعلومات. يجادلون بأن التحقيق يجب أن ينظر إليه على أنه يقترب المعلومات المتبادلة. هذا أدى إلى الاستنتاج دون المستوى إلى حد ما أن تمثل التمثيلات نفسها بالضبط نفس المعلومات حول المهمة المس تهدفة كجمل أصلية. ومع ذلك، فإن المعلومات المتبادلة تفترض أن توزيع الاحتمالات الحقيقي لزوج من المتغيرات العشوائية معروفة، مما يؤدي إلى نتائج دون المستوى في الإعدادات التي لا يكون فيها. تقترح هذه الورقة إطارا جديدا لقياس ما نقوم بمصطلح معلومات البايز المتبادلة، والتي تحلل المعلومات من منظور عملاء البيئة --- السماح بنتائج أكثر بديهية في السيناريوهات مع البيانات المحدودة. على سبيل المثال، تحت Bayesian MI، لدينا أن البيانات يمكن أن تضيف معلومات، ومعالجة يمكن أن تساعد، والمعلومات يمكن أن تؤذي، مما يجعلها أكثر بديهية لتطبيقات التعلم الآلي. أخيرا، نطبق إطار عملنا على التحقيق حيث نعتقد أن المعلومات المتبادلة بايزي تعمل بشكل طبيعي بسهولة سهولة الاستخراج من خلال الحد الصريح لمعرفة الخلفية المتاحة لحل المهمة.
كان التقدم المحرز الأخير في نمذجة اللغة مدفوعة ليس فقط بالتقدم في البنيات العصبية، ولكن أيضا من خلال تحسين الأجهزة والتحسين.في هذه الورقة، نؤيد نموذج اللغة الاحتمالية العصبية (NPLM) من بنغيو وآخرون.(2003)، والتي تسلسل ببساطة تضمين كلمة داخل نافذة ثاب تة ويمرر النتيجة من خلال شبكة تغذية إلى الأمام للتنبؤ بالكلمة التالية.عند القياس حتى الأجهزة الحديثة، يؤدي هذا النموذج (على الرغم من قيودها العديدة) أفضل بكثير مما كان متوقعا عن معايير نموذج اللغة على مستوى Word.يكشف تحليلنا أن NPLM يحقق حيرة أقل من محول الأساس مع سياقات مدخلات قصيرة ولكن تكافح للتعامل مع تبعيات طويلة الأجل.مستوحاة من هذه النتيجة، نقوم بتعديل المحول عن طريق استبدال طبقة انتباهي أول مع طبقة التسلسل المحلية في NPLM، مما يؤدي إلى انخفاض حيرة صغيرة ولكنها ثابتة عبر مجموعات بيانات نمذجة لغة مستوى الكلمات.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا