論文の概要: Relational Neural Machines

• arxiv url: http://arxiv.org/abs/2002.02193v1
• Date: Thu, 6 Feb 2020 10:53:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 09:43:09.885608
• Title: Relational Neural Machines
• Title（参考訳）: 関係性ニューラルマシン
• Authors: Giuseppe Marra, Michelangelo Diligenti, Francesco Giannini, Marco Gori and Marco Maggini
• Abstract要約: 本稿では,学習者のパラメータと一階論理に基づく推論を共同で学習するフレームワークを提案する。 ニューラルネットワークは、純粋な準記号学習の場合の古典的な学習結果とマルコフ論理ネットワークの両方を復元することができる。 適切なアルゴリズム解は、大規模な問題において学習と推論が引き出すことができるように考案されている。
• 参考スコア（独自算出の注目度）: 19.569025323453257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has been shown to achieve impressive results in several tasks where a large amount of training data is available. However, deep learning solely focuses on the accuracy of the predictions, neglecting the reasoning process leading to a decision, which is a major issue in life-critical applications. Probabilistic logic reasoning allows to exploit both statistical regularities and specific domain expertise to perform reasoning under uncertainty, but its scalability and brittle integration with the layers processing the sensory data have greatly limited its applications. For these reasons, combining deep architectures and probabilistic logic reasoning is a fundamental goal towards the development of intelligent agents operating in complex environments. This paper presents Relational Neural Machines, a novel framework allowing to jointly train the parameters of the learners and of a First--Order Logic based reasoner. A Relational Neural Machine is able to recover both classical learning from supervised data in case of pure sub-symbolic learning, and Markov Logic Networks in case of pure symbolic reasoning, while allowing to jointly train and perform inference in hybrid learning tasks. Proper algorithmic solutions are devised to make learning and inference tractable in large-scale problems. The experiments show promising results in different relational tasks.
• Abstract（参考訳）: ディープラーニングは、大量のトレーニングデータが利用できるいくつかのタスクで印象的な結果をもたらすことが示されている。 しかし、ディープラーニングは予測の正確性だけに焦点を当てており、意思決定につながる推論プロセスを無視している。 確率論的論理推論は、統計正則性と特定のドメインの専門知識の両方を利用して不確実性の下で推論を行うことができるが、そのスケーラビリティと不安定な統合は、知覚データを処理する層に大きく制限されている。 これらの理由から、深層アーキテクチャと確率論理推論の組み合わせは、複雑な環境で動作するインテリジェントエージェントの開発に向けた基本的な目標である。 本稿では,学習者のパラメータと一階述語論理に基づく推論を協調的に学習できる新しいフレームワークであるRelational Neural Machinesを提案する。 リレーショナルニューラルネットワークは、純粋な準記号学習の場合の教師付きデータから古典的な学習と、純粋記号推論の場合のマルコフ論理ネットワークの両方を復元すると同時に、ハイブリッド学習タスクにおいて共同トレーニングと推論を可能にする。 適切なアルゴリズム解は、大規模問題において学習と推論を扱いやすくするために考案された。 実験では、異なるリレーショナルタスクで有望な結果を示す。

関連論文リスト

• Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
  ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。 この論文は、この領域の研究に理論的および実践的な貢献を提供する。
  論文  参考訳（メタデータ） (2024-02-21T12:16:51Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• Interpretable Multimodal Misinformation Detection with Logic Reasoning [40.851213962307206]
  本稿では,多モーダル誤情報検出のための論理モデルを提案する。 本稿では,意味のある論理節の自動生成と評価を容易にするニューラル表現を用いた記号論理要素のパラメータ化を行う。 3つの公開データセットの結果は、我々のモデルの有効性と汎用性を示している。
  論文  参考訳（メタデータ） (2023-05-10T08:16:36Z)
• Continual Reasoning: Non-Monotonic Reasoning in Neurosymbolic AI using Continual Learning [2.912595438026074]
  ニューラルシンボリックシステムと連続学習の手法を組み合わせることで、Logic Networksはより高い精度を得ることができることを示す。 LTNには、知識とデータからの学習のカリキュラムをリコールで導入することにより、継続的な学習が加えられる。 結果は,非単調推論問題において有意な改善が認められた。
  論文  参考訳（メタデータ） (2023-05-03T15:11:34Z)
• Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
  本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。 これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。 提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
  論文  参考訳（メタデータ） (2023-04-14T11:35:35Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)
• Neural Logic Reasoning [47.622957656745356]
  本稿では,ディープラーニングと論理推論の能力を統合するために,論理統合ニューラルネットワーク(LINN)を提案する。 LINNは、神経モジュールとしてAND、OR、NOTなどの基本的な論理操作を学び、推論のためにネットワークを通して命題論理推論を行う。 実験の結果、LINNはTop-Kレコメンデーションにおいて最先端のレコメンデーションモデルを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-20T14:53:23Z)
• Neural Collaborative Reasoning [31.03627817834551]
  協調推論(CR)のための協調フィルタリング(CF)を提案する。 CRは、各ユーザが推論空間の一部を知っていて、互いに好みを見積もるために、スペース内で推論するために協力することを意味します。 我々は、表現学習と論理的推論の力を統合し、表現が知覚的視点からデータ内の類似パターンをキャプチャする。
  論文  参考訳（メタデータ） (2020-05-16T23:29:31Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。