Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

Học cơ chế khớp lệnh chứng minh chiến lược thần kinh từ các ví dụ

Created by
  • Haebom

Tác giả

Ryota Maruo, Koh Takeuchi, Hisashi Kashima

Phác thảo

Để Giải quyết khó khăn trong việc chính thức hóa các điều kiện cần thiết trong các bài toán ghép nối thực tế và khó khăn trong việc yêu cầu cơ chế ghép nối được thiết kế phải đáp ứng các điều kiện lý thuyết, chúng tôi đề xuất một cơ chế ghép nối mới đảm bảo tính chống chiến lược (SP) và có thể xử lý số lượng tác nhân và thông tin tác nhân công khai tùy ý. Các khuôn khổ học cơ chế ghép nối hiện có có hạn chế ở chỗ chúng không đảm bảo SP và không thể xử lý các thay đổi về số lượng tác nhân và thông tin ngữ cảnh. Trong bài báo này, chúng tôi đề xuất NeuralSD, một cơ chế ghép nối mới dựa trên chế độ độc tài nối tiếp (SD). NeuralSD là một kiến trúc mạng nơ-ron tính toán thứ hạng tác nhân trong SD dưới dạng các tham số có thể học được từ thông tin ngữ cảnh của các tác nhân bằng cách sử dụng các mạng con dựa trên sự chú ý. Để cho phép học, chúng tôi giới thiệu Tensor Serial Dictatorship (TSD), một kỹ thuật thư giãn khả vi của SD sử dụng các phép toán tensor. Kết quả thực nghiệm cho thấy NeuralSD vượt trội hơn các phương pháp hiện có về nhiều chỉ số dự đoán ghép nối và kết quả ghép nối trong khi vẫn đáp ứng SP.

Takeaways, Limitations

•
Takeaways:
◦
Chúng tôi đề xuất một cơ chế khớp lệnh mới, NeuralSD, đảm bảo khả năng phòng thủ chiến lược (SP), do đó tăng khả năng ứng dụng của nó vào các vấn đề khớp lệnh trong thế giới thực.
◦
Nó được thiết kế để xử lý số lượng tác nhân và thông tin ngữ cảnh công khai tùy ý.
◦
Học tập đầu cuối được thực hiện thông qua chế độ độc tài nối tiếp tenxơ (TSD).
◦
Thông qua các thử nghiệm, chúng tôi đã xác minh rằng phương pháp của chúng tôi hiệu quả hơn các phương pháp hiện có.
•
Limitations:
◦
Vì TSD là một kỹ thuật giảm thiểu SD, nên nó có thể không hoàn toàn giống với SD thực tế. Điều này có thể ảnh hưởng đến hiệu suất.
◦
Có thể cần nghiên cứu thêm về thiết kế và tối ưu hóa tham số của mạng con dựa trên sự chú ý.
◦
Cần xác thực hiệu suất cho các loại bài toán ghép cặp cụ thể. Kết quả thử nghiệm trên nhiều tập dữ liệu khác nhau nên được trình bày để đưa ra những tuyên bố chắc chắn hơn.
👍
Made with Slashpage