論文の概要: Techniques for Symbol Grounding with SATNet

• arxiv url: http://arxiv.org/abs/2106.11072v1
• Date: Wed, 16 Jun 2021 18:42:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-27 09:51:57.874068
• Title: Techniques for Symbol Grounding with SATNet
• Title（参考訳）: SATNetによるシンボル接地技術
• Authors: Sever Topan, David Rolnick, Xujie Si
• Abstract要約: 本稿では,SATNetがシンボルグラウンディング問題を克服できる自己教師付き事前学習パイプラインを提案する。 本手法により,SATNet がより困難な問題でも完全精度を達成できることが実証された。 また,SATNetアーキテクチャの性能をさらに向上する実証読解手法を提案する。
• 参考スコア（独自算出の注目度）: 19.70820500506061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many experts argue that the future of artificial intelligence is limited by the field's ability to integrate symbolic logical reasoning into deep learning architectures. The recently proposed differentiable MAXSAT solver, SATNet, was a breakthrough in its capacity to integrate with a traditional neural network and solve visual reasoning problems. For instance, it can learn the rules of Sudoku purely from image examples. Despite its success, SATNet was shown to succumb to a key challenge in neurosymbolic systems known as the Symbol Grounding Problem: the inability to map visual inputs to symbolic variables without explicit supervision ("label leakage"). In this work, we present a self-supervised pre-training pipeline that enables SATNet to overcome this limitation, thus broadening the class of problems that SATNet architectures can solve to include datasets where no intermediary labels are available at all. We demonstrate that our method allows SATNet to attain full accuracy even with a harder problem setup that prevents any label leakage. We additionally introduce a proofreading method that further improves the performance of SATNet architectures, beating the state-of-the-art on Visual Sudoku.
• Abstract（参考訳）: 多くの専門家は、人工知能の未来は、シンボリック論理推論をディープラーニングアーキテクチャに統合する能力によって制限されていると主張している。 最近提案された差別化可能なMAXSATソルバSATNetは、従来のニューラルネットワークと統合し、視覚的推論問題を解決する能力のブレークスルーだった。 例えば、画像の例からスドクのルールを純粋に学習することができる。 その成功にもかかわらず、サットネットはシンボル接地問題として知られる神経シンボリックシステムにおいて、視覚的な入力を明示的な監督なしにシンボル変数にマッピングできないこと("label leak")という重要な課題に終止符を打った。 本研究では、SATNetがこの制限を克服できる自己教師付き事前学習パイプラインを提案し、SATNetアーキテクチャが解決できる問題のクラスを拡張して、中間ラベルが全く利用できないデータセットを含むようにする。 本手法は,ラベルリークを防止できる難解なセットアップでも,satnetが完全な精度を実現することを実証する。 また、SATNetアーキテクチャの性能をさらに向上させ、Visual Sudokuの最先端技術に勝る証明読解手法を提案する。

関連論文リスト

• LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
  本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。 本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
  論文  参考訳（メタデータ） (2024-07-18T22:05:21Z)
• GraSS: Combining Graph Neural Networks with Expert Knowledge for SAT Solver Selection [45.222591894755105]
  インスタンスの3部グラフ表現に基づくSATソルバ自動選択のための新しいアプローチであるGraSSを提案する。 我々は、新しいノードの特徴設計のようなドメイン固有の決定でグラフ表現を豊かにします。 生の表現とドメイン固有の選択の組み合わせが実行時の改善につながることを実証する。
  論文  参考訳（メタデータ） (2024-05-17T18:00:50Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• Assessing SATNet's Ability to Solve the Symbol Grounding Problem [19.52506478494672]
  SATNetは、論理ルールの推論に使用でき、ディープニューラルネットワークの微分可能な層として統合される、賞を受賞したMAXSATソルバである。 本研究では,個々のSudoku桁の画像を論理的表現で識別する中間ラベルがない場合,SATNetは視覚的Sudokuでは完全にフェールすることを示す。 そこで本研究では, MNIST に基づく検定をシンボル基底問題の簡単な例として提案し, 一般の微分可能な記号解法に対する正当性チェックとして機能する。
  論文  参考訳（メタデータ） (2023-12-13T04:29:32Z)
• A Neural Network-based SAT-Resilient Obfuscation Towards Enhanced Logic Locking [3.076761061950216]
  本稿では,ニューラルネットワークを用いた unSAT 節変換器 SATConda を提案する。 SATCondaは最小限の領域と電力オーバーヘッドを発生させ、元の機能を不必要なセキュリティで保存する。 SATCondaをISCAS85およびISCAS89ベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-09-13T07:59:27Z)
• Machine Learning Methods in Solving the Boolean Satisfiability Problem [72.21206588430645]
  本論文は, Boolean satisfiability problem (SAT) を機械学習技術で解くことに関する最近の文献をレビューする。 ML-SATソルバを手作り特徴を持つナイーブ分類器からNeuroSATのような新たなエンド・ツー・エンドSATソルバまで,進化するML-SATソルバについて検討する。
  論文  参考訳（メタデータ） (2022-03-02T05:14:12Z)
• Transformer-based Machine Learning for Fast SAT Solvers and Logic Synthesis [63.53283025435107]
  CNFベースのSATとMaxSATは論理合成と検証システムの中心である。 そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
  論文  参考訳（メタデータ） (2021-07-15T04:47:35Z)
• Goal-Aware Neural SAT Solver [2.609784101826762]
  現代のニューラルネットワークは問題に関する情報を取得し、入力値からのみ出力を算出する。 我々は、必ずしも最適ではなく、クエリメカニズムで拡張することで、ネットワークの性能を大幅に改善できると主張している。 本稿では、QuerySATと呼ばれるクエリ機構を備えたニューラルSATソルバを提案し、幅広いSATタスクにおいてニューラルベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-14T04:51:24Z)
• Synbols: Probing Learning Algorithms with Synthetic Datasets [112.45883250213272]
  Synbolsは、低解像度画像にレンダリングされた潜在機能のリッチな構成で、新しいデータセットを高速に生成するツールである。 ツールの高レベルインターフェースは、潜在機能で新しいディストリビューションを高速に生成するための言語を提供する。 Synbolsの汎用性を示すために,各種学習環境における標準学習アルゴリズムの限界と欠陥を識別するために,本手法を用いる。
  論文  参考訳（メタデータ） (2020-09-14T13:03:27Z)
• Enhancing SAT solvers with glue variable predictions [2.635832975589208]
  我々は、最先端のSATソルバであるCaDiCaLを改良し、SATCOMP 2018とSATRACE 2019のパフォーマンスを改善し、教師付き学習と強化学習によるSHA-1プレイメージアタックのデータセット上でのパフォーマンスを向上する。 我々はこれらの制限に対処し、より単純なネットワークアーキテクチャを用いて、数百万の節を含む大規模産業問題に対してCPU推論を行い、代わりにエミュレート変数を予測する訓練を行い、ラベル付きデータを簡単に生成し、強化学習タスクとして定式化することができる。
  論文  参考訳（メタデータ） (2020-07-06T07:16:49Z)

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。