論文の概要: A Hybrid Neuro-Symbolic Approach for Complex Event Processing

• arxiv url: http://arxiv.org/abs/2009.03420v3
• Date: Tue, 13 Oct 2020 21:08:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 02:56:14.994871
• Title: A Hybrid Neuro-Symbolic Approach for Complex Event Processing
• Title（参考訳）: 複合イベント処理のためのハイブリッドニューロシンボリックアプローチ
• Authors: Marc Roig Vilamala, Harrison Taylor, Tianwei Xing, Luis Garcia, Mani Srivastava, Lance Kaplan, Alun Preece, Angelika Kimmig, Federico Cerutti
• Abstract要約: 本稿では,複合イベント処理が可能なイベント計算に基づくハイブリッド型ニューロシンボリックアーキテクチャを提案する。 ニューラルネットワークを利用して入力を解釈し、複雑なイベントのパターンを表現する論理ルールを記述します。 本研究では,Urban Sounds 8Kに基づくデータセットに対する純粋ニューラルネットワークアプローチとの比較を行った。
• 参考スコア（独自算出の注目度）: 10.462755876208124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training a model to detect patterns of interrelated events that form situations of interest can be a complex problem: such situations tend to be uncommon, and only sparse data is available. We propose a hybrid neuro-symbolic architecture based on Event Calculus that can perform Complex Event Processing (CEP). It leverages both a neural network to interpret inputs and logical rules that express the pattern of the complex event. Our approach is capable of training with much fewer labelled data than a pure neural network approach, and to learn to classify individual events even when training in an end-to-end manner. We demonstrate this comparing our approach against a pure neural network approach on a dataset based on Urban Sounds 8K.
• Abstract（参考訳）: 関心のある状況を形成する相互関連事象のパターンを検出するためのモデルをトレーニングすることは、複雑な問題になりがちである。 本稿では,複合イベント処理(cep)を実行できるイベント計算に基づくハイブリッドニューロシンボリックアーキテクチャを提案する。 ニューラルネットワークを利用して、複雑なイベントのパターンを表現する入力と論理ルールを解釈する。 私たちのアプローチは、純粋なニューラルネットワークアプローチよりもはるかに少ないラベル付きデータでトレーニングでき、エンドツーエンドのトレーニングでも個々のイベントを分類することを学びます。 本研究では,Urban Sounds 8Kに基づくデータセットに対する純粋ニューラルネットワークアプローチとの比較を行った。

関連論文リスト

• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• NeuralFastLAS: Fast Logic-Based Learning from Raw Data [54.938128496934695]
  シンボリック・ルール学習者は解釈可能な解を生成するが、入力を記号的に符号化する必要がある。 ニューロシンボリックアプローチは、ニューラルネットワークを使用して生データを潜在シンボリック概念にマッピングすることで、この問題を克服する。 我々は,ニューラルネットワークを記号学習者と共同でトレーニングする,スケーラブルで高速なエンドツーエンドアプローチであるNeuralFastLASを紹介する。
  論文  参考訳（メタデータ） (2023-10-08T12:33:42Z)
• Iterative self-transfer learning: A general methodology for response time-history prediction based on small dataset [0.0]
  本研究では,小さなデータセットに基づいてニューラルネットワークを学習するための反復的自己伝達学習手法を提案する。 提案手法は,小さなデータセットに対して,ほぼ一桁の精度でモデル性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-06-14T18:48:04Z)
• Case-Base Neural Networks: survival analysis with time-varying, higher-order interactions [0.20482269513546458]
  本稿では、ケースベースサンプリングフレームワークとフレキシブルニューラルネットワークアーキテクチャを組み合わせた新しいアプローチとして、ケースベースニューラルネットワーク(CBNN)を提案する。 CBNNは、ある時点に発生した事象の確率を予測し、完全なハザード関数を推定する。 この結果から,ケースベースサンプリングとディープラーニングを組み合わせることで,単一イベントサバイバル結果のデータ駆動モデリングのための,シンプルで柔軟なフレームワークを提供することができた。
  論文  参考訳（メタデータ） (2023-01-16T17:44:16Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Using DeepProbLog to perform Complex Event Processing on an Audio Stream [6.585497371387964]
  本稿では,DeepProbLogに基づく複合イベント処理(CEP)のアプローチを提案する。 i)サブシンボリックデータを入力として使用すること、(ii)複雑なイベントルールの定義に柔軟性とモジュラリティを保持すること、(iii)システムをエンドツーエンドでトレーニングすること、(iv)ノイズの多いラベル付きデータに対して堅牢であること、である。
  論文  参考訳（メタデータ） (2021-10-15T13:33:01Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• MLDS: A Dataset for Weight-Space Analysis of Neural Networks [0.0]
  MLDSは、注意深く制御されたパラメータを持つ何千ものトレーニングニューラルネットワークからなる新しいデータセットである。 このデータセットは、モデル-to-modelとモデル-to-training-data関係に関する新たな洞察を可能にする。
  論文  参考訳（メタデータ） (2021-04-21T14:24:26Z)
• Reservoir Memory Machines as Neural Computers [70.5993855765376]
  微分可能なニューラルネットワークは、干渉することなく明示的なメモリで人工ニューラルネットワークを拡張する。 我々は、非常に効率的に訓練できるモデルを用いて、微分可能なニューラルネットワークの計算能力を実現する。
  論文  参考訳（メタデータ） (2020-09-14T12:01:30Z)

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。