論文の概要: DeepStochLog: Neural Stochastic Logic Programming

• arxiv url: http://arxiv.org/abs/2106.12574v1
• Date: Wed, 23 Jun 2021 17:59:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-24 15:15:47.132846
• Title: DeepStochLog: Neural Stochastic Logic Programming
• Title（参考訳）: DeepStochLog: ニューラルネットワークの確率論理プログラミング
• Authors: Thomas Winters, Giuseppe Marra, Robin Manhaeve, Luc De Raedt
• Abstract要約: ニューラルネットワークプログラミングにおける推論と学習は、ニューラルネットワークの確率論的論理プログラムよりもはるかに優れていることを示す。 DeepStochLogは、ニューラルネットワークのシンボリック学習タスクにおける最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 15.938755941588159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in neural symbolic learning, such as DeepProbLog, extend probabilistic logic programs with neural predicates. Like graphical models, these probabilistic logic programs define a probability distribution over possible worlds, for which inference is computationally hard. We propose DeepStochLog, an alternative neural symbolic framework based on stochastic definite clause grammars, a type of stochastic logic program, which defines a probability distribution over possible derivations. More specifically, we introduce neural grammar rules into stochastic definite clause grammars to create a framework that can be trained end-to-end. We show that inference and learning in neural stochastic logic programming scale much better than for neural probabilistic logic programs. Furthermore, the experimental evaluation shows that DeepStochLog achieves state-of-the-art results on challenging neural symbolic learning tasks.
• Abstract（参考訳）: DeepProbLogのようなニューラルシンボル学習の最近の進歩は、確率論的論理プログラムをニューラル述語で拡張している。 グラフィカルモデルと同様に、これらの確率論的論理プログラムは可能な世界上の確率分布を定義する。 本稿では,確率論的定節文法に基づく別のニューラルネットワーク記号フレームワークであるDeepStochLogを提案する。 より具体的には、ニューラル文法規則を確率論的定節文法に導入し、エンドツーエンドにトレーニング可能なフレームワークを作成する。 神経確率論理プログラミングにおける推論と学習は、神経確率論理プログラムよりもはるかに優れていることを示す。 さらに,DeepStochLogを用いた実験結果から,ニューラルシンボリック学習課題における最先端の成果が得られた。

関連論文リスト

• Towards Probabilistic Inductive Logic Programming with Neurosymbolic Inference and Relaxation [0.0]
  本稿では,欠陥や確率的背景知識を扱うPropperを提案する。 ノイズの多いイメージのリレーショナルパターンでは、Propperは8つの例からプログラムを学ぶことができる。 グラフニューラルネットワークのようなバイナリILPや統計モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-08-21T06:38:49Z)
• dPASP: A Comprehensive Differentiable Probabilistic Answer Set Programming Environment For Neurosymbolic Learning and Reasoning [0.0]
  本稿では,ニューロシンボリック推論のための新しい宣言型論理プログラミングフレームワークdPASPを提案する。 非決定論的・矛盾的・不完全・統計的知識を表現できる確率論的論理プログラムのセマンティクスについて論じる。 次に、いくつかのサンプルプログラムとともに、言語での推論と学習をサポートする実装されたパッケージについて説明する。
  論文  参考訳（メタデータ） (2023-08-05T19:36:58Z)
• Scalable Neural-Probabilistic Answer Set Programming [18.136093815001423]
  本稿では、NPP(Neural-Probabilistic Predicates)と解集合プログラミング(ASP)を介して統合された論理プログラムからなる新しいDPPLであるSLASHを紹介する。 予測性能を犠牲にすることなく、推論を高速化し、(地上)プログラムの無意味な部分を抜粋する方法を示す。 我々は、MNIST追加のベンチマークタスクやVQA(Visual Question Answering)など、様々なタスクでSLASHを評価する。
  論文  参考訳（メタデータ） (2023-06-14T09:45:29Z)
• Neural Probabilistic Logic Programming in Discrete-Continuous Domains [9.94537457589893]
  ニューラルシンボリックAI(NeSy)は、ニューラルネットワークが論理の形でシンボリックバックグラウンド知識を利用することを可能にする。 確率論的NeSyは、論理理論と確率理論の両方でニューラルネットワークを統合することに焦点を当てている。 DeepSeaProbLogは、DPPテクニックをNeSyに組み込んだ、ニューラルネットワーク確率論理プログラミング言語である。
  論文  参考訳（メタデータ） (2023-03-08T15:27:29Z)
• Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
  ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。 トラクタブル回路において,これを効率的に計算する方法を示す。 我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
  論文  参考訳（メタデータ） (2023-02-28T00:04:22Z)
• Refining neural network predictions using background knowledge [68.35246878394702]
  学習システムにおける論理的背景知識を用いて,ラベル付きトレーニングデータの不足を補うことができることを示す。 そこで本研究では,修正された予測を元の予測に近い精度で検出する微分可能精細関数を提案する。 このアルゴリズムは、複雑なSATの公式に対して、非常に少ない繰り返しで最適に洗練され、勾配降下ができない解がしばしば見つかる。
  論文  参考訳（メタデータ） (2022-06-10T10:17:59Z)
• VAEL: Bridging Variational Autoencoders and Probabilistic Logic Programming [3.759936323189418]
  本稿では、可変オートエンコーダ(VAE)と確率論的論理(L)プログラミングの推論能力を統合するニューラルシンボリック生成モデルVAELを提案する。
  論文  参考訳（メタデータ） (2022-02-07T10:16:53Z)
• 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)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• 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)
• Logical Neural Networks [51.46602187496816]
  ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。 すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。 推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
  論文  参考訳（メタデータ） (2020-06-23T16:55:45Z)

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。