論文の概要: Neuro-Symbolic Forward Reasoning
- arxiv url: http://arxiv.org/abs/2110.09383v1
- Date: Mon, 18 Oct 2021 15:14:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 13:26:01.538594
- Title: Neuro-Symbolic Forward Reasoning
- Title(参考訳): ニューロシンボリックフォワード推論
- Authors: Hikaru Shindo, Devendra Singh Dhami, Kristian Kersting
- Abstract要約: Neuro-Symbolic Forward Reasoner (NSFR) は、一階述語論理を用いた微分フォワードチェインを利用したタスク推論の新しいアプローチである。
鍵となるアイデアは、差別化可能なフォワードチェイン推論とオブジェクト中心(ディープ)学習を組み合わせることです。
- 参考スコア(独自算出の注目度): 19.417231973682366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reasoning is an essential part of human intelligence and thus has been a
long-standing goal in artificial intelligence research. With the recent success
of deep learning, incorporating reasoning with deep learning systems, i.e.,
neuro-symbolic AI has become a major field of interest. We propose the
Neuro-Symbolic Forward Reasoner (NSFR), a new approach for reasoning tasks
taking advantage of differentiable forward-chaining using first-order logic.
The key idea is to combine differentiable forward-chaining reasoning with
object-centric (deep) learning. Differentiable forward-chaining reasoning
computes logical entailments smoothly, i.e., it deduces new facts from given
facts and rules in a differentiable manner. The object-centric learning
approach factorizes raw inputs into representations in terms of objects. Thus,
it allows us to provide a consistent framework to perform the forward-chaining
inference from raw inputs. NSFR factorizes the raw inputs into the
object-centric representations, converts them into probabilistic ground atoms,
and finally performs differentiable forward-chaining inference using weighted
rules for inference. Our comprehensive experimental evaluations on
object-centric reasoning data sets, 2D Kandinsky patterns and 3D CLEVR-Hans,
and a variety of tasks show the effectiveness and advantage of our approach.
- Abstract(参考訳): 推論は人間の知能の重要な部分であり、人工知能研究において長年の目標であった。
近年のディープラーニングの成功により、深層学習システムによる推論、すなわちニューロシンボリックAIが主要な関心分野となっている。
本稿では,一階述語論理を用いた可変フォワードチェインを用いたタスク推論手法であるNuro-Symbolic Forward Reasoner (NSFR)を提案する。
重要なのは、微分可能な前方連鎖推論とオブジェクト中心(深層)学習を組み合わせることだ。
微分可能前方連鎖推論は論理的含意をスムーズに計算し、すなわち与えられた事実や規則から微分可能な方法で新しい事実を推論する。
オブジェクト中心学習アプローチは、オブジェクトの観点から生の入力を表現に分解する。
これにより、生入力から前方連鎖推論を実行するための一貫したフレームワークを提供することができます。
NSFRは生の入力を対象中心の表現に分解し、確率的基底原子に変換し、最終的に重み付けされた推論規則を用いて微分可能な前方鎖推論を行う。
我々は,オブジェクト中心推論データセット,2次元カンディンスキーパターン,および3次元clevr-hansに関する包括的評価を行い,提案手法の有効性と利点を示した。
関連論文リスト
- Towards LogiGLUE: A Brief Survey and A Benchmark for Analyzing Logical Reasoning Capabilities of Language Models [56.34029644009297]
大規模言語モデル(LLM)は、形式的知識表現(KR)システムの様々な制限を克服する能力を示した。
LLMは誘導的推論において最も優れているが、誘導的推論では最も効果が低い。
モデルの性能を評価するため,シングルタスクトレーニング,マルチタスクトレーニング,および「チェーンオブ思考」知識蒸留細調整技術について検討した。
論文 参考訳(メタデータ) (2023-10-02T01:00:50Z) - Statistical relational learning and neuro-symbolic AI: what does
first-order logic offer? [12.47276164048813]
我々の目的は、非技術的手法で(確率的な)知識を表現するために(一階述語)論理を使うことの論理的および哲学的基礎を短時間に調査し、明確にすることである。
機械学習の研究者たちは、なぜ研究コミュニティがリレーショナル表現に関心を持っているのかを知らないため、この記事は穏やかな紹介として役立てることができる。
学習分野の新参者である論理専門家にとって、そのような論文は、有限と無限の違いをナビゲートし、主観的確率とランダムな世界意味論の違いをナビゲートするのに役立ちます。
論文 参考訳(メタデータ) (2023-06-08T12:34:31Z) - Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。
本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。
NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-05-25T12:41:59Z) - LogiGAN: Learning Logical Reasoning via Adversarial Pre-training [58.11043285534766]
本稿では,言語モデルの論理的推論能力を向上させるために,教師なしの対人事前学習フレームワークLogiGANを提案する。
人間の学習におけるリフレクティブ思考の促進効果に着想を得て,逆生成検証アーキテクチャを用いて学習思考過程をシミュレートする。
LogiGANで事前トレーニングされたベースモデルと大規模言語モデルの両方で、12のデータセットで明らかなパフォーマンス改善が示されている。
論文 参考訳(メタデータ) (2022-05-18T08:46:49Z) - Abstract Spatial-Temporal Reasoning via Probabilistic Abduction and
Execution [97.50813120600026]
時空間推論は人工知能(AI)の課題である
最近の研究は、この種の抽象的推論タスクに焦点を当てている -- Raven's Progressive Matrices (RPM)
ニューロシンボリックな確率的アブダクションと実行学習者(PrAE)を提案する。
論文 参考訳(メタデータ) (2021-03-26T02:42:18Z) - Object-based attention for spatio-temporal reasoning: Outperforming
neuro-symbolic models with flexible distributed architectures [15.946511512356878]
適切な帰納的バイアスを持つ完全学習型ニューラルネットワークは,従来のニューラルシンボリックモデルよりもかなり優れた性能を示す。
我々のモデルは、自己意識と学習された「ソフト」オブジェクト中心表現の両方を批判的に利用します。
論文 参考訳(メタデータ) (2020-12-15T18:57:40Z) - 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) - Neural Collaborative Reasoning [31.03627817834551]
協調推論(CR)のための協調フィルタリング(CF)を提案する。
CRは、各ユーザが推論空間の一部を知っていて、互いに好みを見積もるために、スペース内で推論するために協力することを意味します。
我々は、表現学習と論理的推論の力を統合し、表現が知覚的視点からデータ内の類似パターンをキャプチャする。
論文 参考訳(メタデータ) (2020-05-16T23:29:31Z) - Relational Neural Machines [19.569025323453257]
本稿では,学習者のパラメータと一階論理に基づく推論を共同で学習するフレームワークを提案する。
ニューラルネットワークは、純粋な準記号学習の場合の古典的な学習結果とマルコフ論理ネットワークの両方を復元することができる。
適切なアルゴリズム解は、大規模な問題において学習と推論が引き出すことができるように考案されている。
論文 参考訳(メタデータ) (2020-02-06T10:53:57Z)
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。