کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6941186 870217 2015 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Semantics of object representation in machine learning
ترجمه فارسی عنوان
معناشناسی نمایندگی شی در یادگیری ماشین
کلمات کلیدی
فلسفه یادگیری ماشین، نمایندگی شی، ایده آل سازی، انتزاع - مفهوم - برداشت، متغیرهای نامرئی،
ترجمه چکیده
با موفقیت در حال رشد یادگیری ماشین، هر دو محقق و فیلسوف اخیرا علاقه خود را به مسائل بنیادی یادگیری آماری به دست آورده اند. همکاری بین فلسفه و یادگیری ماشین شناخته شده است که متقابلا سودمند است که ممکن است تغییر اساسی در پارادایم های هر دو اردوگاه ایجاد کند. در این مقاله، تعامل یک طرفه بین فلسفه و یادگیری ماشین در نظر گرفته شده است. این نوع تعامل ضروری است زیرا ما بر مفاهیم عملی ساختار مدل بازتاب می دهیم. به این ترتیب من مجموعه ای از مشارکت های فلسفی را برای یادگیری ماشین در تعیین وضعیت معرفتی نمایندگی شی و طراحی الگوریتمی بررسی می کنم. من در مورد سه جنبه از مدل های آماری، مربوط به معانی واژگانی شی، یعنی ایده آل سازی (ساده سازی خواص یک شی)، انتزاع (نمایندگی یک شی با شی دیگری که راحت تر است)، و استفاده از متغیرهای پنهان، بحث می شود. من استدلال می کنم که تا چه حد این جنبه ها به توجه فلسفی نیاز دارند تا کاربرد عملی خود را توجیه کنند. برای این منظور، من مفاهیم فلسفی متفاوتی را که اغلب به طور غیرمستقیم توسط محققان مورد استفاده قرار می گیرند، در مواجهه با عدم اطمینان در ویژگی ها و روابط کارکرد آنها توضیح می دهم. انتظار می رود که این امر راه را برای تحقیقات بیشتر در زمینه معناشناختی نمایندگی شی در یادگیری ماشین کمک کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
معناشناسی نمایندگی شی در یادگیری ماشین
چکیده انگلیسی
With the growing success of machine learning, both researchers and philosophers have recently regained their interest in the foundational problems of statistical learning. The cooperation between philosophy and machine learning has been recognized to be mutually beneficial that may provide fundamental shift in the paradigms of both camps. In this paper, a unidirectional interaction between philosophy and machine learning is considered. This type of interaction becomes necessary as we reflect upon the practical implications of the model construction. To this extent, I review a specific set of contributions of philosophy to machine learning in determining epistemic standing of object representation and algorithmic design. I discuss three aspects of statistical models, pertaining to semantics of object representation, namely idealization (simplifying properties of an object), abstraction (representing an object with another object that is easier to handle), and use of latent variables. I argue to what extent these aspects necessitate philosophical attention to justify their practical use. To this end, I elucidate different philosophical concepts that are utilized by researchers mostly tacitly when dealing with uncertainties in features and their functional relationships. This is expected to help pave the way for further investigations on semantics of object representation in machine learning.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 64, 15 October 2015, Pages 30-36
نویسندگان
,