PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02615v1cs.LG

귀납적 학습에서 구성적 귀납, 지식 및 노이즈 필터링의 가치 정량화

Quantifying the Value of Constructive Induction, Knowledge, and Noise Filtering on Inductive Learning

학습 연구의 핵심 목표 중 하나는 학습 문제의 특성이 평균적인 학습 성능에 미치는 영향을 측정, 모델링 및 이해하는 것이다. 예를 들어, 구성적 귀납(constructive induction), 노이즈 필터링, 배경 지식의 가치를 정량화하고자 한다. 본 논문에서는 문제 특성과 학습 성능을 연결하는 데 도움을 주는 새로운 학습 척도인 유효 차원(effective dimension)을 소개한다. 바프닉-체르보넨키스(VC) 차원과 마찬가지로 유효 차원은 종종 문제 특성과 단순 선형 관계를 가진다. 하지만 VC 차원과 달리 유효 차원은 경험적으로 추정할 수 있으며 평균적인 경우(average-case)에 대한 예측을 제공한다. 따라서 기계 및 인간 학습 연구에 더 폭넓게 적용할 수 있다. 이 척도는 역전파를 포함한 여러 학습 시스템에서 검증된다. 마지막으로, 특징 생성 시스템인 FRINGE를 사용할 때의 이점을 정밀하게 예측하는 데 이 척도를 활용한다. 그 결과 목표 개념의 복잡성이 증가할수록 이점이 감소하는 것으로 나타났다.