論文の概要: Semi-Lexical Languages -- A Formal Basis for Unifying Machine Learning
and Symbolic Reasoning in Computer Vision
- arxiv url: http://arxiv.org/abs/2004.12152v2
- Date: Thu, 17 Dec 2020 12:20:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 21:16:04.410228
- Title: Semi-Lexical Languages -- A Formal Basis for Unifying Machine Learning
and Symbolic Reasoning in Computer Vision
- Title（参考訳）: 半語彙言語 ---コンピュータビジョンにおける機械学習と記号推論の統合のための公式な基礎
- Authors: Briti Gangopadhyay, Somnath Hazra and Pallab Dasgupta
- Abstract要約: 実世界の不完全なトークンを扱うための公式な基礎として半語彙言語を提案する。
機械学習のパワーは、不完全なトークンを言語のアルファベットにマッピングするために使われる。
本稿では、純粋な機械学習と純粋なシンボル的手法よりも、そのようなフレームワークを使うことの利点を実証するケーススタディを提案する。
- 参考スコア（独自算出の注目度）: 3.961284749965929
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human vision is able to compensate imperfections in sensory inputs from the
real world by reasoning based on prior knowledge about the world. Machine
learning has had a significant impact on computer vision due to its inherent
ability in handling imprecision, but the absence of a reasoning framework based
on domain knowledge limits its ability to interpret complex scenarios. We
propose semi-lexical languages as a formal basis for dealing with imperfect
tokens provided by the real world. The power of machine learning is used to map
the imperfect tokens into the alphabet of the language and symbolic reasoning
is used to determine the membership of input in the language. Semi-lexical
languages also have bindings that prevent the variations in which a
semi-lexical token is interpreted in different parts of the input, thereby
leaning on deduction to enhance the quality of recognition of individual
tokens. We present case studies that demonstrate the advantage of using such a
framework over pure machine learning and pure symbolic methods.
- Abstract（参考訳）: 人間の視覚は、世界に関する事前の知識に基づいて推論することで、現実世界からの感覚入力の不完全性を補うことができる。
しかし、ドメイン知識に基づく推論フレームワークが存在しないことで、複雑なシナリオを解釈する能力は制限されている。
実世界の不完全なトークンを扱うための公式な基礎として半語彙言語を提案する。
機械学習のパワーは不完全なトークンを言語のアルファベットにマッピングするために使用され、シンボリック推論は言語の入力のメンバーシップを決定するために使用される。
半語彙言語はまた、入力の異なる部分で半語彙のトークンが解釈されるバリエーションを防ぐバインディングを持ち、それによって推論に頼り、個々のトークンの認識の質を高める。
本稿では、純粋な機械学習と純粋にシンボリックな手法よりも、このようなフレームワークを使うことの利点を示すケーススタディを紹介する。
関連論文リスト
- Analyzing the Roles of Language and Vision in Learning from Limited Data [31.895396236504993]
我々は、言語とビジョンが世界について学ぶために与える貢献について研究する。
すべてのコンポーネントを活用する言語モデルがビジョンランゲージモデルの性能の大部分を回復することがわかった。
論文 参考訳（メタデータ） (2024-02-15T22:19:41Z) - Vehicle: Bridging the Embedding Gap in the Verification of
Neuro-Symbolic Programs [3.320484236699228]
Vehicleは、モジュラー方式でニューラルシンボリックプログラムのエンドツーエンドの検証を容易にするために設計されたツールである。
我々は、ニューラルネットワークコントローラを備えた単純な自律走行車の安全性を正式に検証するために、Vineの実用性を実証する。
論文 参考訳（メタデータ） (2024-01-12T05:01:47Z) - Meaning and understanding in large language models [0.0]
人工知能の生成的大言語モデル(LLM)の最近の発展は、機械による言語理解に関する伝統的な哲学的仮定を改訂する必要があるという信念を導いた。
本稿では,機械語の性能を単なる統語的操作と見なす傾向と理解のシミュレーションを批判的に評価する。
論文 参考訳（メタデータ） (2023-10-26T14:06:14Z) - ChatABL: Abductive Learning via Natural Language Interaction with
ChatGPT [72.83383437501577]
大規模言語モデル(LLM)は、最近数学的な能力において大きな可能性を証明している。
LLMは現在、認識、言語理解、推論能力のブリッジングに困難を抱えている。
本稿では, LLMを帰納学習フレームワークに統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-04-21T16:23:47Z) - Language-Driven Representation Learning for Robotics [115.93273609767145]
ロボット工学における視覚表現学習の最近の研究は、日々の作業を行う人間の大規模なビデオデータセットから学ぶことの可能性を実証している。
人間のビデオやキャプションから言語による表現学習を行うためのフレームワークを提案する。
我々は、Voltronの言語駆動学習が、特に高レベル制御を必要とするターゲット問題において、先行技術よりも優れていることを発見した。
論文 参考訳（メタデータ） (2023-02-24T17:29:31Z) - Language Models as Inductive Reasoners [125.99461874008703]
本稿では,帰納的推論のための新しいパラダイム(タスク)を提案し,自然言語の事実から自然言語規則を誘導する。
タスクのための1.2kルールファクトペアを含むデータセットDEERを作成し,ルールと事実を自然言語で記述する。
我々は、事前訓練された言語モデルが自然言語の事実から自然言語規則をいかに誘導できるかを、初めてかつ包括的な分析を行う。
論文 参考訳（メタデータ） (2022-12-21T11:12:14Z) - Autoencoding Language Model Based Ensemble Learning for Commonsense
Validation and Explanation [1.503974529275767]
本稿では,コモンセンス検証と説明のための自動符号化言語モデルに基づくアンサンブル学習手法を提案する。
提案手法は,コモンセンスに反する自然言語文(検証サブタスク)を識別し,コモンセンスに反する理由(説明選択サブタスク)を正しく識別する。
SemEval-2020 Task 4のベンチマークデータセットによる実験結果から,本手法が最先端モデルより優れていることが示された。
論文 参考訳（メタデータ） (2022-04-07T09:43:51Z) - data2vec: A General Framework for Self-supervised Learning in Speech,
Vision and Language [85.9019051663368]
data2vecは、音声、NLP、コンピュータビジョンのいずれかに同じ学習方法を使用するフレームワークである。
中心となる考え方は、自己蒸留装置における入力のマスキングビューに基づいて、完全な入力データの潜在表現を予測することである。
音声認識、画像分類、自然言語理解に関する主要なベンチマークの実験は、新しい技術や競争性能の状態を実証している。
論文 参考訳（メタデータ） (2022-02-07T22:52:11Z) - Emergence of Machine Language: Towards Symbolic Intelligence with Neural
Networks [73.94290462239061]
本稿では、ニューラルネットワークを用いてシンボルとコネクショナリズムの原理を組み合わせることで、離散表現を導出することを提案する。
対話型環境とタスクを設計することにより、機械が自発的で柔軟でセマンティックな言語を生成できることを実証した。
論文 参考訳（メタデータ） (2022-01-14T14:54:58Z) - Can phones, syllables, and words emerge as side-products of
cross-situational audiovisual learning? -- A computational investigation [2.28438857884398]
いわゆる潜在言語仮説(LLH)について検討する。
LLHは言語表現学習を、知覚のモダリティ内および横断的な一般的な予測処理に結びつける。
我々は、様々なニューラルネットワークモデルを用いた広範学習シミュレーションにおけるLLHをさらに探求する。
論文 参考訳（メタデータ） (2021-09-29T05:49:46Z) - Semantics-Aware Inferential Network for Natural Language Understanding [79.70497178043368]
このようなモチベーションを満たすために,セマンティックス対応推論ネットワーク(SAIN)を提案する。
SAINの推論モジュールは、明示的な文脈的セマンティクスを補完的な入力として、セマンティクス上の一連の推論ステップを可能にする。
本モデルでは,機械読解や自然言語推論など11タスクの大幅な改善を実現している。
論文 参考訳（メタデータ） (2020-04-28T07:24:43Z)
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。