論文の概要: Learning Evolved Combinatorial Symbols with a Neuro-symbolic Generative
Model
- arxiv url: http://arxiv.org/abs/2104.08274v1
- Date: Fri, 16 Apr 2021 17:57:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 14:39:16.932863
- Title: Learning Evolved Combinatorial Symbols with a Neuro-symbolic Generative
Model
- Title(参考訳): ニューロシンボリック生成モデルを用いた組合せ記号の学習
- Authors: Matthias Hofer, Tuan Anh Le, Roger Levy, Josh Tenenbaum
- Abstract要約: 人間は限られたデータからリッチな概念を素早く理解することができる。
従来のアプローチと概念学習の強みを融合したニューロシンボリックジェネレーションモデルを提案する。
- 参考スコア(独自算出の注目度): 35.341634678764066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humans have the ability to rapidly understand rich combinatorial concepts
from limited data. Here we investigate this ability in the context of auditory
signals, which have been evolved in a cultural transmission experiment to study
the emergence of combinatorial structure in language. We propose a
neuro-symbolic generative model which combines the strengths of previous
approaches to concept learning. Our model performs fast inference drawing on
neural network methods, while still retaining the interpretability and
generalization from limited data seen in structured generative approaches. This
model outperforms a purely neural network-based approach on classification as
evaluated against both ground truth and human experimental classification
preferences, and produces superior reproductions of observed signals as well.
Our results demonstrate the power of flexible combined neural-symbolic
architectures for human-like generalization in raw perceptual domains and
offers a step towards developing precise computational models of inductive
biases in language evolution.
- Abstract(参考訳): 人間は限られたデータからリッチな組み合わせの概念を素早く理解することができる。
本稿では,文化伝達実験で進化した聴覚信号の文脈におけるその能力について検討し,言語における組合せ構造の発生について検討する。
本稿では,従来の概念学習手法の強みを組み合わせたニューロシンボリック生成モデルを提案する。
本モデルでは,構造的生成手法で見られる限られたデータからの解釈可能性と一般化を保ちながら,ニューラルネットワーク手法による高速な推論を行う。
このモデルは、基礎的真理と人間の実験的分類選好の両方に対して評価される純粋ニューラルネットワークに基づく分類アプローチよりも優れており、観察された信号の優れた再現性も生み出す。
本研究は,人工知覚領域における人間様一般化のためのフレキシブル結合ニューラルシンボリックアーキテクチャのパワーを示し,言語進化における帰納的バイアスの正確な計算モデルを開発するためのステップを提供する。
関連論文リスト
- A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。
GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。
提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
論文 参考訳(メタデータ) (2023-09-16T09:15:37Z) - A Recursive Bateson-Inspired Model for the Generation of Semantic Formal
Concepts from Spatial Sensory Data [77.34726150561087]
本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。
このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。
このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
論文 参考訳(メタデータ) (2023-07-16T15:59:13Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - 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) - Neuronal Learning Analysis using Cycle-Consistent Adversarial Networks [4.874780144224057]
我々は、-CycleGANと呼ばれる深層生成モデルを用いて、前学習と後学習の神経活動の間の未知のマッピングを学習する。
我々は,カルシウム蛍光信号を前処理し,訓練し,評価するためのエンドツーエンドパイプラインを開発し,その結果の深層学習モデルを解釈する手法を開発した。
論文 参考訳(メタデータ) (2021-11-25T13:24:19Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳(メタデータ) (2020-12-07T01:20:38Z) - Can you tell? SSNet -- a Sagittal Stratum-inspired Neural Network
Framework for Sentiment Analysis [1.0312968200748118]
感情分析のための頑健で高精度な分類器を構築するために,同じテキスト上で異なるモデルの予測を組み合わせるニューラルネットワークアーキテクチャを提案する。
そこで本研究では,専用ニューラルネットワークをベースとした複数の予測と,その数学的解析と,最先端の実験結果を組み合わせるための体系的な新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-23T12:55:02Z) - Compositional Generalization by Learning Analytical Expressions [87.15737632096378]
メモリ拡張ニューラルモデルは、合成一般化を達成するために解析式に接続される。
良く知られたベンチマークSCANの実験は、我々のモデルが構成的一般化の優れた能力をつかむことを示した。
論文 参考訳(メタデータ) (2020-06-18T15:50:57Z)
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。