論文の概要: Extending Automated Deduction for Commonsense Reasoning

• arxiv url: http://arxiv.org/abs/2003.13159v1
• Date: Sun, 29 Mar 2020 23:17:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 13:41:38.321942
• Title: Extending Automated Deduction for Commonsense Reasoning
• Title（参考訳）: Commonsense Reasoningのための自動推論の拡張
• Authors: Tanel Tammet
• Abstract要約: 本論文は,古典的な一階述語論理を自動推論する手法とアルゴリズムを,コモンセンス推論に拡張できると主張している。 提案された拡張は主に通常の証明木に依存しており、不整合、デフォルトルール、トピックの操作、関連性、信頼性、類似度などを含む常識知識ベースを扱うように設計されている。 機械学習はコモンセンスの知識ベースを構築するのに最適であり、拡張された論理ベースの手法はこれらの知識ベースからのクエリに実際に答えるのに適している、と我々は主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Commonsense reasoning has long been considered as one of the holy grails of artificial intelligence. Most of the recent progress in the field has been achieved by novel machine learning algorithms for natural language processing. However, without incorporating logical reasoning, these algorithms remain arguably shallow. With some notable exceptions, developers of practical automated logic-based reasoners have mostly avoided focusing on the problem. The paper argues that the methods and algorithms used by existing automated reasoners for classical first-order logic can be extended towards commonsense reasoning. Instead of devising new specialized logics we propose a framework of extensions to the mainstream resolution-based search methods to make these capable of performing search tasks for practical commonsense reasoning with reasonable efficiency. The proposed extensions mostly rely on operating on ordinary proof trees and are devised to handle commonsense knowledge bases containing inconsistencies, default rules, taxonomies, topics, relevance, confidence and similarity measures. We claim that machine learning is best suited for the construction of commonsense knowledge bases while the extended logic-based methods would be well-suited for actually answering queries from these knowledge bases.
• Abstract（参考訳）: 常識推論は長い間、人工知能の聖杯の一つと見なされてきた。 この分野の最近の進歩の大部分は、自然言語処理のための新しい機械学習アルゴリズムによって達成されている。 しかし、論理的推論を組み込むことなく、これらのアルゴリズムは間違いなく浅いままである。 注目すべき例外を除いて、実用的な自動論理ベースの推論器の開発者は、問題に集中することをほとんど避けてきた。 本論文は,従来の一階述語論理の自動推論手法とアルゴリズムを,コモンセンス推論に拡張できると主張している。 新しい特殊論理を考案する代わりに、私たちは主流の解像度ベースの検索手法を拡張して、合理的な効率で実用的なコモンセンス推論のための検索タスクを実行可能にするフレームワークを提案します。 提案された拡張は、主に通常の証明木に依存し、不一致、デフォルト規則、分類法、話題、関連性、信頼性、類似性を含む常識知識ベースを扱うために考案された。 機械学習はコモンセンスの知識ベースを構築するのに最適であり、拡張された論理ベースの手法はこれらの知識ベースからのクエリに実際に答えるのに適している、と我々は主張する。

関連論文リスト

• 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)
• LogicBench: Towards Systematic Evaluation of Logical Reasoning Ability of Large Language Models [52.03659714625452]
  最近開発された大規模言語モデル (LLM) は、幅広い言語理解タスクにおいて非常によく機能することが示されている。 しかし、それらは自然言語に対して本当に「理性」があるのだろうか? この疑問は研究の注目を集めており、コモンセンス、数値、定性的など多くの推論技術が研究されている。
  論文  参考訳（メタデータ） (2024-04-23T21:08:49Z)
• Soft Reasoning on Uncertain Knowledge Graphs [85.1968214421899]
  本研究では,ソフト制約プログラミングの確立を動機とした,不確実な知識に対するソフトクエリの設定について検討する。 本稿では,大規模,不完全,不確実な知識グラフ上でのソフトクエリに応答する,前方推論と後方校正を併用したMLベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-03T13:13:53Z)
• Enhancing Zero-Shot Chain-of-Thought Reasoning in Large Language Models through Logic [19.476840373850653]
  大規模言語モデルは、その推論手順が論理原理に制約されないため、幻覚を示す。 記号論理に根ざした原理を活用する自己改善促進フレームワークであるLoT(Logical Thoughts)を提案する。 算術,コモンセンス,記号,因果推論,社会問題など多種多様な領域における言語課題に対する実験的評価は,論理学による推論の強化の有効性を実証する。
  論文  参考訳（メタデータ） (2023-09-23T11:21:12Z)
• 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)
• Some Preliminary Steps Towards Metaverse Logic [0.8594140167290096]
  我々は、現実と架空の基盤となるアプリケーションドメインの両方で発生する状況を扱うのに十分強力なロジックの現在の仕事について検討する。 議論は比較的非公式なレベルで維持され、自然言語の用語における理論的概念の背後にある直観を常に伝えようと試みた。
  論文  参考訳（メタデータ） (2023-07-10T09:13:22Z)
• Connecting Proof Theory and Knowledge Representation: Sequent Calculi and the Chase with Existential Rules [1.8275108630751844]
  実存則の文脈におけるチェイス機構は、本質的には、一階述語論理に対するゲンツェンの逐次計算の拡張における証明探索と同じであることを示す。 我々は、決定可能性の証明を理論的に確立するための中央ツールを、知識表現の文脈において、決定可能性の中央ツールと正式に結合する。
  論文  参考訳（メタデータ） (2023-06-05T01:10:23Z)
• LAMBADA: Backward Chaining for Automated Reasoning in Natural Language [11.096348678079574]
  LAMBADAと呼ばれる逆チェインアルゴリズムは、推論を4つのサブモジュールに分解する。 LAMBADAは最先端のフォワード推論手法よりも精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-20T18:06:03Z)
• An Extensible Logic Embedding Tool for Lightweight Non-Classical Reasoning [91.3755431537592]
  論理埋め込みツールは、古典的でない推論問題を古典的な高階論理にプロシージャエンコーディングする。 推論ターゲットとして、多くの非古典論理をサポートすることができる。
  論文  参考訳（メタデータ） (2022-03-23T12:08:51Z)
• Modeling and Automating Public Announcement Logic with Relativized Common Knowledge as a Fragment of HOL in LogiKEy [0.0]
  本稿では,関連する共通知識を用いた発表ロジックのセマンティックな埋め込みについて述べる。 これにより、古典的な高階論理に対するオフ・ザ・シェルフ定理証明を用いて、この論理を初めて自動化することができる。 この研究は、複数派のLogiKEy知識工学方法論に重要な追加となる。
  論文  参考訳（メタデータ） (2021-11-02T15:14:52Z)
• Fact-driven Logical Reasoning for Machine Reading Comprehension [82.58857437343974]
  私たちは、常識と一時的な知識のヒントの両方を階層的にカバーする動機があります。 具体的には,文の背骨成分を抽出し,知識単位の一般的な定式化を提案する。 次に、事実単位の上にスーパーグラフを構築し、文レベル(事実群間の関係)と実体レベルの相互作用の利点を享受する。
  論文  参考訳（メタデータ） (2021-05-21T13:11:13Z)

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。