論文の概要: Differentiable Inductive Logic Programming for Structured Examples
- arxiv url: http://arxiv.org/abs/2103.01719v1
- Date: Tue, 2 Mar 2021 13:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 17:22:23.037967
- Title: Differentiable Inductive Logic Programming for Structured Examples
- Title（参考訳）: 構造化例に対する微分可能帰納論理プログラミング
- Authors: Hikaru Shindo, Masaaki Nishino, Akihiro Yamamoto
- Abstract要約: 雑音や構造化例から論理プログラムを学ぶための新しいフレームワークを提案する。
我々の新しいフレームワークは、シーケンスやツリーなど、ノイズや構造化された例から論理プログラムを学習できることを示します。
我々のフレームワークは、関数記号を持つ複数の節からなる複雑なプログラムを扱うためにスケールできる。
- 参考スコア（独自算出の注目度）: 6.8774606688738995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The differentiable implementation of logic yields a seamless combination of
symbolic reasoning and deep neural networks. Recent research, which has
developed a differentiable framework to learn logic programs from examples, can
even acquire reasonable solutions from noisy datasets. However, this framework
severely limits expressions for solutions, e.g., no function symbols are
allowed, and the shapes of clauses are fixed. As a result, the framework cannot
deal with structured examples. Therefore we propose a new framework to learn
logic programs from noisy and structured examples, including the following
contributions. First, we propose an adaptive clause search method by looking
through structured space, which is defined by the generality of the clauses, to
yield an efficient search space for differentiable solvers. Second, we propose
for ground atoms an enumeration algorithm, which determines a necessary and
sufficient set of ground atoms to perform differentiable inference functions.
Finally, we propose a new method to compose logic programs softly, enabling the
system to deal with complex programs consisting of several clauses. Our
experiments show that our new framework can learn logic programs from noisy and
structured examples, such as sequences or trees. Our framework can be scaled to
deal with complex programs that consist of several clauses with function
symbols.
- Abstract（参考訳）: 論理の微分可能な実装は、シンボリック推論とディープニューラルネットワークのシームレスな組み合わせをもたらす。
実例から論理プログラムを学ぶための微分可能なフレームワークを開発した最近の研究は、ノイズの多いデータセットから合理的な解を得ることもできる。
しかし、このフレームワークは、例えば、関数シンボルが許されず、節の形状が固定されるなど、ソリューションの表現を厳しく制限する。
その結果、フレームワークは構造化された例を扱うことができない。
そこで本研究では, 雑音や構造化例から論理プログラムを学習するための新しいフレームワークを提案する。
まず,各節の一般性によって定義される構造空間を探索し,微分可能なソルバの効率的な探索空間を得るための適応項探索法を提案する。
第2に,異なる推論関数を実行するために必要な基底原子の集合を決定するために,基底原子の列挙アルゴリズムを提案する。
最後に,論理プログラムをソフトに構成する新しい手法を提案し,複数の節からなる複雑なプログラムを扱えるようにした。
実験の結果,新しいフレームワークは,シーケンスやツリーなど,ノイズの多い構造化例から論理プログラムを学習できることが判明した。
我々のフレームワークは、関数記号を持つ複数の節からなる複雑なプログラムを扱うためにスケールできる。
関連論文リスト
- An Encoding of Abstract Dialectical Frameworks into Higher-Order Logic [57.24311218570012]
このアプローチは抽象弁証法フレームワークのコンピュータ支援分析を可能にする。
応用例としては、メタ理論的性質の形式的解析と検証がある。
論文 参考訳（メタデータ） (2023-12-08T09:32:26Z) - 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) - 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) - Query Structure Modeling for Inductive Logical Reasoning Over Knowledge
Graphs [67.043747188954]
KGに対する帰納的論理的推論のための構造モデル付きテキスト符号化フレームワークを提案する。
線形化されたクエリ構造とエンティティを、事前訓練された言語モデルを使ってエンコードして、回答を見つける。
2つの帰納的論理推論データセットと3つの帰納的推論データセットについて実験を行った。
論文 参考訳（メタデータ） (2023-05-23T01:25:29Z) - A separation logic for sequences in pointer programs and its
decidability [5.229882716833972]
ヒープ制御プログラムの論理的推論にシーケンスを組み込んだシーケンスヒープ分離論理を提案する。
シーケンス変数とシングルトンヒープ格納シーケンスの量子化は、私たちの論理における新しいメンバーである。
シーケンス-ヒープ分離論理の命題的断片は決定可能であり、プログラム変数が2回、シーケンス変数が1回変更される断片は決定不可能である。
論文 参考訳（メタデータ） (2023-01-16T02:52:06Z) - A Divide-Align-Conquer Strategy for Program Synthesis [8.595181704811889]
本稿では,大規模プログラムの探索を複数の小さなプログラム合成問題に分割する例によって,構成セグメント化がプログラミングに応用可能であることを示す。
入力と出力における構成部品の構造的アライメントは、プログラム探索を導くのに使用されるペアワイズ対応に繋がる。
論文 参考訳（メタデータ） (2023-01-08T19:10:55Z) - Representing Partial Programs with Blended Abstract Semantics [62.20775388513027]
プログラム合成エンジンにおける部分的なプログラム表現手法について紹介する。
モジュラーニューラルネットワークとして実装された近似実行モデルを学ぶ。
これらのハイブリッドニューロシンボリック表現は、実行誘導型シンセサイザーがより強力な言語構成を使うことができることを示す。
論文 参考訳（メタデータ） (2020-12-23T20:40:18Z) - Sequential composition of propositional logic programs [0.0]
本稿では,非循環プログラムを単一ルールプログラムに分解し,任意のプログラムに対して一般的な分解結果を提供する。
プログラムの即時結果演算子は、演算子への明示的な参照を伴わずに最小モデルを計算することができる構成によって表現できることを示す。
論文 参考訳（メタデータ） (2020-09-12T11:57:30Z) - Generating Random Logic Programs Using Constraint Programming [12.47276164048813]
本稿では,制約プログラミングを用いてランダムな論理プログラムを生成する手法を提案する。
モデルがパラメータ値とどのようにスケールするかを示し、そのモデルを用いて確率的推論アルゴリズムを様々な合成問題で比較する。
論文 参考訳（メタデータ） (2020-06-02T19:12:53Z) - LogicalFactChecker: Leveraging Logical Operations for Fact Checking with
Graph Module Network [111.24773949467567]
ファクトチェックに論理演算を活用するニューラルネットワークアプローチであるLogicalFactCheckerを提案する。
大規模なベンチマークデータセットであるTABFACT上での最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2020-04-28T17:04:19Z)
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。