論文の概要: pix2rule: End-to-end Neuro-symbolic Rule Learning

• arxiv url: http://arxiv.org/abs/2106.07487v1
• Date: Mon, 14 Jun 2021 15:19:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 20:53:13.051856
• Title: pix2rule: End-to-end Neuro-symbolic Rule Learning
• Title（参考訳）: pix2rule: エンドツーエンドのニューロシンボリックルール学習
• Authors: Nuri Cingillioglu, Alessandra Russo
• Abstract要約: 本稿では,画像のオブジェクトへの処理,学習関係,論理規則に関する完全なニューロシンボリックな手法を提案する。 主な貢献は、シンボリックリレーションとルールを抽出できるディープラーニングアーキテクチャにおける差別化可能なレイヤである。 我々のモデルは最先端のシンボリックラーナーを超えてスケールし、ディープリレーショナルニューラルネットワークアーキテクチャよりも優れていることを実証する。
• 参考スコア（独自算出の注目度）: 84.76439511271711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans have the ability to seamlessly combine low-level visual input with high-level symbolic reasoning often in the form of recognising objects, learning relations between them and applying rules. Neuro-symbolic systems aim to bring a unifying approach to connectionist and logic-based principles for visual processing and abstract reasoning respectively. This paper presents a complete neuro-symbolic method for processing images into objects, learning relations and logical rules in an end-to-end fashion. The main contribution is a differentiable layer in a deep learning architecture from which symbolic relations and rules can be extracted by pruning and thresholding. We evaluate our model using two datasets: subgraph isomorphism task for symbolic rule learning and an image classification domain with compound relations for learning objects, relations and rules. We demonstrate that our model scales beyond state-of-the-art symbolic learners and outperforms deep relational neural network architectures.
• Abstract（参考訳）: 人間は、低レベルの視覚入力と高レベルの象徴的推論をシームレスに組み合わせ、物体を認識し、それらの関係を学習し、規則を適用することができる。 ニューロシンボリックシステムは、視覚処理と抽象推論のための接続主義と論理に基づく原則にそれぞれ統一的なアプローチをもたらすことを目的としている。 本稿では,物体への画像処理,学習関係,論理規則をエンドツーエンドに行うための完全なニューロシンボリック手法を提案する。 主な貢献は、プルーニングとしきい値付けによってシンボリックリレーションとルールを抽出できるディープラーニングアーキテクチャにおける差別化可能なレイヤである。 シンボルルール学習のためのサブグラフ同型タスクと,学習対象,関係,規則に関する複合関係を持つ画像分類領域の2つを用いて,本モデルを評価する。 我々のモデルは最先端のシンボリックラーナーを超えてスケールし、ディープリレーショナルニューラルネットワークアーキテクチャよりも優れています。

関連論文リスト

• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• 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)
• 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)
• Neuro-symbolic Rule Learning in Real-world Classification Tasks [75.0907310059298]
  pix2ruleのニューラルDNFモジュールを拡張し、実世界のマルチクラスおよびマルチラベル分類タスクにおけるルール学習をサポートする。 多クラス分類において相互排他性を強制するニューラルDNF-EO(Exactly One)と呼ばれる新しい拡張モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-29T13:27:14Z)
• Neural-Symbolic Integration for Interactive Learning and Conceptual Grounding [1.14219428942199]
  本稿では,抽象概念の説明と対話型学習のためのニューラルシンボリック統合を提案する。 ユーザとのインタラクションは、ニューラルモデルのリビジョンを確認または拒否する。 このアプローチはLogic NetworkフレームワークとConcept Activation Vectorsを使って説明され、Conal Neural Networkに適用される。
  論文  参考訳（メタデータ） (2021-12-22T11:24:48Z)
• Learning Representations for Sub-Symbolic Reasoning [15.064026484896301]
  本稿では,学習者の潜在深部空間において本質的推論を行う新しいエンド・ツー・エンドモデルを提案する。 ニューロシンボリックな方法は、神経アーキテクチャ、知識表現、推論を統合する。 提案モデルは,拡張性や表現性に制限された従来のニューロシンボリックな手法のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2021-06-01T11:02:22Z)
• Learning Task-General Representations with Generative Neuro-Symbolic Modeling [22.336243882030026]
  我々は手書き文字概念の生成型ニューロシンボリック(GNS)モデルを開発する。 部品間の相関はニューラルネットワークのサブルーチンでモデル化され、モデルが生のデータから直接学習することができる。 その後の評価では、GNSモデルは確率的推論を用いて1つのトレーニング画像からリッチな概念表現を学習する。
  論文  参考訳（メタデータ） (2020-06-25T14:41:27Z)
• Neural-Symbolic Relational Reasoning on Graph Models: Effective Link Inference and Computation from Knowledge Bases [0.5669790037378094]
  モデルにそのような経路を含む知識グラフの最小限のネットワークを埋め込むことにより、すべての経路を学習するニューラルネットワークのシンボリックグラフを提案する。 単語の埋め込みに対応する実体と事実の表現を学習することにより、モデルをエンドツーエンドでトレーニングし、それらの表現をデコードし、関係性アプローチでエンティティ間の関係を推論する方法を示す。
  論文  参考訳（メタデータ） (2020-05-05T22:46:39Z)

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。