論文の概要: A Logical Neural Network Structure With More Direct Mapping From Logical Relations

• arxiv url: http://arxiv.org/abs/2106.11463v1
• Date: Tue, 22 Jun 2021 00:53:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 15:06:46.579247
• Title: A Logical Neural Network Structure With More Direct Mapping From Logical Relations
• Title（参考訳）: 論理関係からより直接的なマッピングを持つ論理ニューラルネットワーク構造
• Authors: Gang Wang
• Abstract要約: 論理的関係をコンピュータシステムに正しく表現し、保存し、自動判断と判断を行うことが必須である。 現在の数値ANNモデルは、画像認識のような知覚知能に長けているが、論理表現のような認知知能には長けていない。 本稿では,新しい論理ニューロンを設計し,論理表現の要求を反映した新しい論理ANNモデルを提案する。
• 参考スコア（独自算出の注目度）: 8.239523696224975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Logical relations widely exist in human activities. Human use them for making judgement and decision according to various conditions, which are embodied in the form of \emph{if-then} rules. As an important kind of cognitive intelligence, it is prerequisite of representing and storing logical relations rightly into computer systems so as to make automatic judgement and decision, especially for high-risk domains like medical diagnosis. However, current numeric ANN (Artificial Neural Network) models are good at perceptual intelligence such as image recognition while they are not good at cognitive intelligence such as logical representation, blocking the further application of ANN. To solve it, researchers have tried to design logical ANN models to represent and store logical relations. Although there are some advances in this research area, recent works still have disadvantages because the structures of these logical ANN models still don't map more directly with logical relations which will cause the corresponding logical relations cannot be read out from their network structures. Therefore, in order to represent logical relations more clearly by the neural network structure and to read out logical relations from it, this paper proposes a novel logical ANN model by designing the new logical neurons and links in demand of logical representation. Compared with the recent works on logical ANN models, this logical ANN model has more clear corresponding with logical relations using the more direct mapping method herein, thus logical relations can be read out following the connection patterns of the network structure. Additionally, less neurons are used.
• Abstract（参考訳）: 論理関係は人間の活動に広く存在する。 人間は、様々な条件に従って判断と決定を行うためにそれらを使い、それらは \emph{if-then} 規則の形で具現化される。 重要な認知知能として、特に医療診断のようなリスクの高い領域において、自動的に判断と判断を行うために、論理関係をコンピュータシステムに正しく表現し保存することが必須である。 しかしながら、現在の数値ANN(Artificial Neural Network)モデルは、画像認識のような知覚知能に長けているが、論理表現のような認知知能に長けておらず、ANNのさらなる応用を妨げている。 これを解決するために、研究者は論理的ANNモデルを設計し、論理的関係を表現、保存しようとした。 この研究領域にはいくつかの進歩があるが、近年の研究では、これらの論理的ANNモデルの構造が論理的関係と直接的にマッピングされないため、対応する論理的関係はネットワーク構造から読み出せない。 そこで本論文では,ニューラルネットワークの構造によって論理関係をより明確に表現し,それから論理関係を読み出すために,新しい論理ニューロンの設計と論理表現の要求のリンクを用いて,新しい論理anモデルを提案する。 近年の論理的ANNモデルと比較すると、この論理的ANNモデルは、より直接的なマッピング手法を用いて論理的関係をより明確化し、ネットワーク構造の接続パターンに従って論理的関係を読み取ることができる。 さらに、より少ないニューロンが使用される。

関連論文リスト

• Convolutional Differentiable Logic Gate Networks [68.74313756770123]
  本稿では,論理ゲートネットワークを微分緩和により直接学習する手法を提案する。 私たちはこのアイデアに基づいて、深い論理ゲートツリーの畳み込みと論理ORプーリングによってそれを拡張します。 CIFAR-10では、6100万の論理ゲートのみを使用して86.29%の精度を実現し、SOTAよりも29倍の精度で改善した。
  論文  参考訳（メタデータ） (2024-11-07T14:12:00Z)
• 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)
• 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)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)
• Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
  我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。 他のものと比較して、LNNは古典的なブール論理と強く結びついている。 標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
  論文  参考訳（メタデータ） (2021-12-06T19:38:30Z)
• Logic Tensor Networks [9.004005678155023]
  学習と推論をサポートする神経シンボリック形式論と計算モデルであるLogic Networks(LTN)を提示する。 LTNがいくつかのAIタスクの仕様と計算に一様言語を提供することを示す。
  論文  参考訳（メタデータ） (2020-12-25T22:30:18Z)
• Neural Logic Reasoning [47.622957656745356]
  本稿では,ディープラーニングと論理推論の能力を統合するために,論理統合ニューラルネットワーク(LINN)を提案する。 LINNは、神経モジュールとしてAND、OR、NOTなどの基本的な論理操作を学び、推論のためにネットワークを通して命題論理推論を行う。 実験の結果、LINNはTop-Kレコメンデーションにおいて最先端のレコメンデーションモデルを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-20T14:53:23Z)

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。