Fugu-MT 論文翻訳(概要): SMT + ILP

論文の概要: SMT + ILP

arxiv url: http://arxiv.org/abs/2001.05208v1
Date: Wed, 15 Jan 2020 10:09:21 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 05:48:53.841829
Title: SMT + ILP
Title（参考訳）: SMT + ILP
Authors: Vaishak Belle
Abstract要約: 我々は、満足度モジュロ理論技術を活用して、帰納的宣言型プログラミングを再考する。本稿では、満足度変調理論技術を活用して、帰納的宣言型プログラミングを再考する。
参考スコア（独自算出の注目度）: 12.47276164048813
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Inductive logic programming (ILP) has been a deeply influential paradigm in AI, enjoying decades of research on its theory and implementations. As a natural descendent of the fields of logic programming and machine learning, it admits the incorporation of background knowledge, which can be very useful in domains where prior knowledge from experts is available and can lead to a more data-efficient learning regime. Be that as it may, the limitation to Horn clauses composed over Boolean variables is a very serious one. Many phenomena occurring in the real-world are best characterized using continuous entities, and more generally, mixtures of discrete and continuous entities. In this position paper, we motivate a reconsideration of inductive declarative programming by leveraging satisfiability modulo theory technology.
Abstract（参考訳）: 帰納的論理プログラミング(ILP)はAIにおいて非常に影響力のあるパラダイムであり、その理論と実装に関する数十年の研究を楽しみ続けている。論理プログラミングと機械学習の分野の自然な子孫として、バックグラウンド知識の取り込みを認めており、専門家からの事前の知識が利用可能であり、よりデータ効率のよい学習体制につながるドメインで非常に有用である。仮にそうであるように、ブール変数上で構成されるホーン節の制限は非常に深刻である。現実世界で起こる多くの現象は、連続体、より一般的には離散体と連続体の混合によって特徴づけられる。本稿では, 帰納的宣言型プログラミングの再考を, 充足可能なモジュラー理論技術を用いて動機づける。

関連論文リスト

Differentiable Inductive Logic Programming for Fraud Detection [3.0846824529023382]
本研究では、Fraud Detectionに対するAIアプローチとして、DILP(diffariable Inductive Logic Programming)の適用性について検討する。処理においては、Decision Treesのようなより伝統的なメソッドや、Deep Symbolic Classificationのような最近のメソッドには大きなアドバンテージを提供していないが、それでも同等の結果が得られている。私たちは、その制限と改善すべきポイントと、従来の方法よりもずっと便利なユースケースを示します。
論文参考訳（メタデータ） (2024-10-29T10:43:06Z)
TransBox: EL++-closed Ontology Embedding [14.850996103983187]
我々は,多対一,一対多,多対多の関係を扱える効率的なEL++-クロース埋め込み法を開発した。実験により,TransBoxは様々な実世界のデータセットにまたがって最先端のパフォーマンスを実現し,複雑な公理を予測できることを示した。
論文参考訳（メタデータ） (2024-10-18T16:17:10Z)
Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
論文参考訳（メタデータ） (2024-05-02T18:12:08Z)
Towards LogiGLUE: A Brief Survey and A Benchmark for Analyzing Logical Reasoning Capabilities of Language Models [56.34029644009297]
大規模言語モデル(LLM)は、形式的知識表現(KR)システムの様々な制限を克服する能力を示した。 LLMは誘導的推論において最も優れているが、誘導的推論では最も効果が低い。モデルの性能を評価するため,シングルタスクトレーニング,マルチタスクトレーニング,および「チェーンオブ思考」知識蒸留細調整技術について検討した。
論文参考訳（メタデータ） (2023-10-02T01:00:50Z)
When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
論文参考訳（メタデータ） (2023-08-29T17:22:39Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Towards Invertible Semantic-Preserving Embeddings of Logical Formulae [1.0152838128195467]
論理的要件とルールの学習と最適化は、人工知能において常に重要な問題である。現在のメソッドは、カーネルメソッドを介して効果的なセマンティック保存の埋め込みを構築することができるが、それらが定義するマップは可逆ではない。本稿では,グラフ変分オートエンコーダフレームワークに基づく深層アーキテクチャを応用した埋め込みの逆変換法について述べる。
論文参考訳（メタデータ） (2023-05-03T10:49:01Z)
Dual Box Embeddings for the Description Logic EL++ [16.70961576041243]
知識グラフ(KG)と同様に、知識グラフはしばしば不完全であり、それらの維持と構築は困難であることが証明された。 KGsと同様に、有望なアプローチは、潜在ベクトル空間への埋め込みを学習し、基礎となるDLのセマンティクスに固執することである。そこで本研究では,概念と役割をボックスとして表現した,DL EL++用のBox$2$ELという新しいオントロジー埋め込み手法を提案する。
論文参考訳（メタデータ） (2023-01-26T14:13:37Z)
Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。他のものと比較して、LNNは古典的なブール論理と強く結びついている。標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
論文参考訳（メタデータ） (2021-12-06T19:38:30Z)
Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。主アルゴリズムの正確性と収束性を保証する。
論文参考訳（メタデータ） (2021-02-01T01:13:03Z)
Symbolic Logic meets Machine Learning: A Brief Survey in Infinite Domains [12.47276164048813]
推論と帰納の緊張は、おそらく哲学、認知、人工知能といった分野において最も根本的な問題である。本稿では,論理の限界に対する見解に挑戦する結果について報告し,無限領域での学習において論理が果たす役割を明らかにする。
論文参考訳（メタデータ） (2020-06-15T15:29:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。