論文の概要: Neural Production Systems

• arxiv url: http://arxiv.org/abs/2103.01937v1
• Date: Tue, 2 Mar 2021 18:53:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-06 04:15:12.780137
• Title: Neural Production Systems
• Title（参考訳）: 神経生産システム
• Authors: Anirudh Goyal, Aniket Didolkar, Nan Rosemary Ke, Charles Blundell, Philippe Beaudoin, Nicolas Heess, Michael Mozer, Yoshua Bengio
• Abstract要約: 視覚環境は、異なるオブジェクトまたはエンティティから構成される。 イメージをエンティティに分割するために、ディープラーニング研究者は構造的誘導バイアスを提案した。 私たちは認知科学からインスピレーションを得て、一連のルールテンプレートからなる古典的なアプローチを復活させます。 このアーキテクチャは柔軟でダイナミックな制御フローを実現し、エンティティ固有およびルールベースの情報を分解するのに役立つ。
• 参考スコア（独自算出の注目度）: 90.75211413357577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual environments are structured, consisting of distinct objects or entities. These entities have properties -- both visible and latent -- that determine the manner in which they interact with one another. To partition images into entities, deep-learning researchers have proposed structural inductive biases such as slot-based architectures. To model interactions among entities, equivariant graph neural nets (GNNs) are used, but these are not particularly well suited to the task for two reasons. First, GNNs do not predispose interactions to be sparse, as relationships among independent entities are likely to be. Second, GNNs do not factorize knowledge about interactions in an entity-conditional manner. As an alternative, we take inspiration from cognitive science and resurrect a classic approach, production systems, which consist of a set of rule templates that are applied by binding placeholder variables in the rules to specific entities. Rules are scored on their match to entities, and the best fitting rules are applied to update entity properties. In a series of experiments, we demonstrate that this architecture achieves a flexible, dynamic flow of control and serves to factorize entity-specific and rule-based information. This disentangling of knowledge achieves robust future-state prediction in rich visual environments, outperforming state-of-the-art methods using GNNs, and allows for the extrapolation from simple (few object) environments to more complex environments.
• Abstract（参考訳）: 視覚環境は、異なるオブジェクトまたはエンティティから構成される。 これらのエンティティは、相互に相互作用する方法を決定するプロパティ -- 可視性と潜在性 -- を持っている。 イメージをエンティティに分割するために、ディープラーニング研究者はスロットベースのアーキテクチャのような構造的誘導バイアスを提案した。 実体間の相互作用をモデル化するために、同値グラフニューラルネットワーク(GNN)が使用されるが、これらは2つの理由でタスクに特に適していない。 第一に、GNNは、独立したエンティティ間の関係がそうであるように、相互作用が疎いことを前提としない。 第二に、GNNはエンティティ条件による相互作用に関する知識を分解しない。 別の方法として、私たちは認知科学からインスピレーションを得て、特定のエンティティに対するルールにプレースホルダ変数をバインドすることで適用される一連のルールテンプレートからなる古典的なアプローチであるプロダクションシステムを復活させます。 ルールはエンティティにマッチしてスコアされ、エンティティプロパティの更新に最適なルールが適用される。 一連の実験では、このアーキテクチャが柔軟でダイナミックな制御フローを達成し、エンティティ固有のルールベースの情報をファクタライズするのに役立つことを実証します。 この知識の分離は、リッチな視覚環境における堅牢な未来予測を実現し、GNNを用いた最先端の手法を上回り、単純な(少数の)環境からより複雑な環境への外挿を可能にします。

関連論文リスト

• Two Heads Are Better Than One: Integrating Knowledge from Knowledge Graphs and Large Language Models for Entity Alignment [31.70064035432789]
  LLMEA(Large Language Model-enhanced Entity Alignment Framework)を提案する。 LLMEAは、知識グラフにまたがるエンティティ間の類似性を埋め込んだり、仮想の等価エンティティとの距離を編集することで、特定のエンティティの候補アライメントを識別する。 3つの公開データセットで実施された実験により、LLMEAが主要なベースラインモデルを上回ることが判明した。
  論文  参考訳（メタデータ） (2024-01-30T12:41:04Z)
• Neural Constraint Satisfaction: Hierarchical Abstraction for Combinatorial Generalization in Object Rearrangement [75.9289887536165]
  基礎となるエンティティを明らかにするための階層的抽象化手法を提案する。 本研究では,エージェントのモデルにおける実体の状態の介入と,環境中の物体に作用する状態の対応関係を学習する方法を示す。 この対応を利用して、オブジェクトの異なる数や構成に一般化する制御法を開発する。
  論文  参考訳（メタデータ） (2023-03-20T18:19:36Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Dynamic Relation Discovery and Utilization in Multi-Entity Time Series Forecasting [92.32415130188046]
  多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。 本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-18T11:37:04Z)
• Improving Entity Linking through Semantic Reinforced Entity Embeddings [16.868791358905916]
  そこで本稿では, コンテキスト共通性の学習を容易にするため, 実体埋め込みに微粒な意味情報を注入する手法を提案する。 エンティティの埋め込みに基づいて、エンティティリンクにおける最先端のパフォーマンスを新たに達成しました。
  論文  参考訳（メタデータ） (2021-06-16T00:27:56Z)
• Better Feature Integration for Named Entity Recognition [30.676768644145]
  両タイプの機能をSynergized-LSTM(Syn-LSTM)に組み込むためのシンプルで堅牢なソリューションを提案する。 その結果、提案モデルが従来のアプローチよりも優れたパフォーマンスを実現し、パラメータを少なくできることが示された。
  論文  参考訳（メタデータ） (2021-04-12T09:55:06Z)
• Relational Reflection Entity Alignment [28.42319743737994]
  エンティティアライメントは知識グラフ(KG)からエンティティペアを特定する エンティティアライメントにGNNを導入することで、最近のモデルのアーキテクチャはますます複雑になっています。 本稿では,既存のエンティティアライメント手法を統一的なフレームワークであるShape-Builder & Alignmentに抽象化する。
  論文  参考訳（メタデータ） (2020-08-18T14:49:31Z)
• Bipartite Flat-Graph Network for Nested Named Entity Recognition [94.91507634620133]
  ネスト型名前付きエンティティ認識(NER)のためのバイパートフラットグラフネットワーク(BiFlaG) ネストされた名前付きエンティティ認識(NER)のためのバイパーティライトフラットグラフネットワーク(BiFlaG)を提案する。
  論文  参考訳（メタデータ） (2020-05-01T15:14:22Z)
• Interpretable Entity Representations through Large-Scale Typing [61.4277527871572]
  本稿では,人間の読みやすいエンティティ表現を作成し,箱から高パフォーマンスを実現する手法を提案する。 我々の表現は、微粒な実体型に対する後続確率に対応するベクトルである。 特定のドメインに対して,学習に基づく方法で,型セットのサイズを縮小できることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:58:03Z)
• A Trio Neural Model for Dynamic Entity Relatedness Ranking [1.4810568221629932]
  動的エンティティ関連性に対するニューラルネットワークに基づくアプローチを提案する。 我々のモデルは、ジョイントフレームワークでリッチで異なるエンティティ表現を学習することができる。
  論文  参考訳（メタデータ） (2018-08-24T21:29:53Z)

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。