論文の概要: Neural Collaborative Reasoning
- arxiv url: http://arxiv.org/abs/2005.08129v5
- Date: Mon, 3 May 2021 02:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 13:08:19.832333
- Title: Neural Collaborative Reasoning
- Title（参考訳）: ニューラルコラボレーティブ推論
- Authors: Hanxiong Chen, Shaoyun Shi, Yunqi Li, Yongfeng Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 31.03627817834551
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing Collaborative Filtering (CF) methods are mostly designed based on
the idea of matching, i.e., by learning user and item embeddings from data
using shallow or deep models, they try to capture the associative relevance
patterns in data, so that a user embedding can be matched with relevant item
embeddings using designed or learned similarity functions. However, as a
cognition rather than a perception intelligent task, recommendation requires
not only the ability of pattern recognition and matching from data, but also
the ability of cognitive reasoning in data. In this paper, we propose to
advance Collaborative Filtering (CF) to Collaborative Reasoning (CR), which
means that each user knows part of the reasoning space, and they collaborate
for reasoning in the space to estimate preferences for each other. Technically,
we propose a Neural Collaborative Reasoning (NCR) framework to bridge learning
and reasoning. Specifically, we integrate the power of representation learning
and logical reasoning, where representations capture similarity patterns in
data from perceptual perspectives, and logic facilitates cognitive reasoning
for informed decision making. An important challenge, however, is to bridge
differentiable neural networks and symbolic reasoning in a shared architecture
for optimization and inference. To solve the problem, we propose a modularized
reasoning architecture, which learns logical operations such as AND ($\wedge$),
OR ($\vee$) and NOT ($\neg$) as neural modules for implication reasoning
($\rightarrow$). In this way, logical expressions can be equivalently organized
as neural networks, so that logical reasoning and prediction can be conducted
in a continuous space. Experiments on real-world datasets verified the
advantages of our framework compared with both shallow, deep and reasoning
models.
- Abstract（参考訳）: 既存のコラボレーティブフィルタリング(cf)メソッドは、主に、浅層モデルや深層モデルを使ってデータからユーザとアイテムの埋め込みを学習することで、データの連想関係パターンをキャプチャし、設計または学習された類似度関数を使用して関連するアイテムの埋め込みとマッチングするように設計されている。
しかしながら、認識知的なタスクではなく認知として、推薦はパターン認識とデータとのマッチングの能力だけでなく、データにおける認知的推論の能力も要求する。
本稿では、協調フィルタリング(CF)を協調推論(CR)に進化させることを提案する。これは、各ユーザが推論空間の一部を知っていて、互いに好みを推定するために、空間内での推論に協力することを意味する。
技術的には,学習と推論を橋渡しするニューラルコラボレーティブ推論(NCR)フレームワークを提案する。
具体的には、表現学習と論理推論の力を融合し、表象は知覚的視点からデータ内の類似性パターンを捉え、論理はインフォームド・意思決定のための認知的推論を促進する。
しかし、重要な課題は、最適化と推論のための共有アーキテクチャにおいて、微分可能なニューラルネットワークとシンボリック推論を橋渡しすることである。
この問題を解決するために、モジュール化された推論アーキテクチャを提案する。これは、(\wedge$)や(\vee$)といった論理演算を学習し、意味推論のための神経モジュールとして($\neg$)を学習しない($\rightarrow$)。
このように、論理式はニューラルネットワークとして等価に構成できるので、論理推論と予測は連続的な空間で行うことができる。
現実世界のデータセットの実験は、浅い、深い、そして推論モデルと比較して、我々のフレームワークの利点を検証した。
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) - LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and
Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。
ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。
これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文 参考訳（メタデータ） (2023-09-24T05:43:19Z) - Neuro-Symbolic Recommendation Model based on Logic Query [16.809190067920387]
本稿では,ユーザ履歴のインタラクションを論理表現に変換するニューロシンボリックレコメンデーションモデルを提案する。
論理式はニューラルネットワークのモジュラー論理演算に基づいて計算される。
3つのよく知られたデータセットによる実験により,本手法は浅部,深部,セッション,推論モデルと比較し,性能が良好であることが確認された。
論文 参考訳（メタデータ） (2023-09-14T10:54:48Z) - Modeling Hierarchical Reasoning Chains by Linking Discourse Units and
Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。
具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文 参考訳（メタデータ） (2023-06-21T07:34:27Z) - LogiGAN: Learning Logical Reasoning via Adversarial Pre-training [58.11043285534766]
本稿では,言語モデルの論理的推論能力を向上させるために,教師なしの対人事前学習フレームワークLogiGANを提案する。
人間の学習におけるリフレクティブ思考の促進効果に着想を得て,逆生成検証アーキテクチャを用いて学習思考過程をシミュレートする。
LogiGANで事前トレーニングされたベースモデルと大規模言語モデルの両方で、12のデータセットで明らかなパフォーマンス改善が示されている。
論文 参考訳（メタデータ） (2022-05-18T08:46:49Z) - 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) - Logical Neural Networks [51.46602187496816]
ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。
すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。
推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
論文 参考訳（メタデータ） (2020-06-23T16:55:45Z) - Relational Neural Machines [19.569025323453257]
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。
論文 参考訳（メタデータ） (2020-02-06T10:53:57Z)
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。