論文の概要: Using Program Synthesis and Inductive Logic Programming to solve Bongard
Problems
- arxiv url: http://arxiv.org/abs/2110.09947v1
- Date: Tue, 19 Oct 2021 13:13:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-20 18:03:37.174621
- Title: Using Program Synthesis and Inductive Logic Programming to solve Bongard
Problems
- Title(参考訳): プログラム合成と帰納論理プログラミングを用いたbongard問題の解法
- Authors: Atharv Sonwane, Sharad Chitlangia, Tirtharaj Dash, Lovekesh Vig,
Gautam Shroff, Ashwin Srinivasan
- Abstract要約: 本稿では,Dreamcoderによって構築されたプログラムが,ボンガード問題の解法として類似推論に利用できるかどうかを予備検討する。
位置情報を用いて状態を自動でデコレートし、結果のシーケンスをPrologの論理的事実にエンコードする。
人工的に生成した「上/下」や「時計回り/下」といった概念に対するボンガード問題の実験は、我々のエンドツーエンドシステムがそのような問題を解決することを実証している。
- 参考スコア(独自算出の注目度): 20.864990877667296
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability to recognise and make analogies is often used as a measure or
test of human intelligence. The ability to solve Bongard problems is an example
of such a test. It has also been postulated that the ability to rapidly
construct novel abstractions is critical to being able to solve analogical
problems. Given an image, the ability to construct a program that would
generate that image is one form of abstraction, as exemplified in the
Dreamcoder project. In this paper, we present a preliminary examination of
whether programs constructed by Dreamcoder can be used for analogical reasoning
to solve certain Bongard problems. We use Dreamcoder to discover programs that
generate the images in a Bongard problem and represent each of these as a
sequence of state transitions. We decorate the states using positional
information in an automated manner and then encode the resulting sequence into
logical facts in Prolog. We use inductive logic programming (ILP), to learn an
(interpretable) theory for the abstract concept involved in an instance of a
Bongard problem. Experiments on synthetically created Bongard problems for
concepts such as 'above/below' and 'clockwise/counterclockwise' demonstrate
that our end-to-end system can solve such problems. We study the importance and
completeness of each component of our approach, highlighting its current
limitations and pointing to directions for improvement in our formulation as
well as in elements of any Dreamcoder-like program synthesis system used for
such an approach.
- Abstract(参考訳): 類似を認識・生成する能力は、人間の知能の尺度またはテストとしてしばしば用いられる。
ボンガード問題を解く能力は、そのようなテストの例である。
また、新しい抽象概念を迅速に構築する能力は、類推的な問題を解くために重要であるとも推測されている。
イメージが与えられた場合、そのイメージを生成するプログラムを構築する能力は、dreamcoderプロジェクトで例示されるように、抽象化の一形態である。
本稿では,Dreamcoderによって構築されたプログラムが,ボンガード問題の解法として類似推論に利用できるかどうかを予備検討する。
我々はDreamcoderを用いて、ボンガード問題における画像を生成するプログラムを発見し、それらのそれぞれを状態遷移のシーケンスとして表現する。
位置情報を用いて状態を自動的にデコレーションし,結果のシーケンスをprologの論理的事実にエンコードする。
我々は、インダクティブ論理プログラミング(ILP)を用いて、ボンガード問題のインスタンスに関わる抽象概念の(解釈可能な)理論を学習する。
above/below' や 'clockwise/counterclockwise' といった概念を合成的に生成したbongard問題の実験は、エンド・ツー・エンドのシステムがこのような問題を解決できることを示しています。
我々は,我々のアプローチにおける各コンポーネントの重要性と完全性について検討し,その限界を浮き彫りにして,このアプローチで使用されるドリームコーダライクなプログラム合成システムの各要素の定式化における改善の方向性を指摘する。
関連論文リスト
- Fuse, Reason and Verify: Geometry Problem Solving with Parsed Clauses from Diagram [78.79651421493058]
平面幾何学的問題解法 (PGPS) のニューラルネットワークモデルを提案し, モーダル融合, 推論過程, 知識検証の3つの重要なステップについて述べる。
推論のために、幾何学的推論過程を記述するための説明可能な解プログラムを設計し、自己限定デコーダを用いて解プログラムを自動回帰的に生成する。
また, PGPS9Kと呼ばれる大規模幾何学的問題データセットを構築し, テキスト節, 解法プログラム, 関連知識解決器の詳細なアノテーションを含む。
論文 参考訳(メタデータ) (2024-07-10T02:45:22Z) - When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。
具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。
コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
論文 参考訳(メタデータ) (2023-08-29T17:22:39Z) - Synthesizing a Progression of Subtasks for Block-Based Visual
Programming Tasks [21.33708484899808]
本稿では,その複雑さの観点から,高品質で十分な空間を持つサブタスクの進行を生成する新しい合成アルゴリズムを提案する。
本稿では,Karelプログラミング環境における課題解決のためのAIエージェントの有効性向上のための合成アルゴリズムの有用性を示す。
論文 参考訳(メタデータ) (2023-05-27T16:24:36Z) - Chaining Simultaneous Thoughts for Numerical Reasoning [92.2007997126144]
テキストによる数値推論は、AIシステムにとって不可欠なスキルであるべきです。
これまでの研究は方程式の構造をモデル化することに集中し、様々な構造化デコーダを提案してきた。
我々は、有向非巡回グラフを用いてステップを推論する数値推論器CANTORを提案する。
論文 参考訳(メタデータ) (2022-11-29T18:52:06Z) - End-to-end Algorithm Synthesis with Recurrent Networks: Logical
Extrapolation Without Overthinking [52.05847268235338]
機械学習システムが問題を過度に考えずに論理的外挿を行う方法を示す。
本稿では,問題インスタンスの明示的なコピーをメモリに保持して,それを忘れないようにするリコールアーキテクチャを提案する。
また、モデルが数に固有の行動を学ぶのを防ぎ、無期限に繰り返される行動を学ぶためにモデルをプッシュするプログレッシブトレーニングルーチンも採用しています。
論文 参考訳(メタデータ) (2022-02-11T18:43:28Z) - DeepA: A Deep Neural Analyzer For Speech And Singing Vocoding [71.73405116189531]
本稿では,従来のボコーダで定義されている音声をエミュレートする入力音声から,F0と音節/音節/音節のエンコーディングを抽出するニューラルボコーダを提案する。
ディープ・ニューラル・アナライザは学習可能であるため、信号の再構成と操作がより正確であり、音声から歌への一般化が期待できる。
論文 参考訳(メタデータ) (2021-10-13T01:39:57Z) - Invariance, encodings, and generalization: learning identity effects
with neural networks [0.0]
単純な基準を満たすアルゴリズムが正しい推論を行うことができないことを厳密に証明できるフレームワークを提供する。
次に,勾配に基づくアルゴリズムで学習した深層フィードフォワードニューラルネットワークを含む幅広い学習アルゴリズムが,我々の基準を満たしていることを示す。
より広い状況では、ネットワークが必ずしも誤って分類する逆の例を提供することができます。
論文 参考訳(メタデータ) (2021-01-21T01:28:15Z) - Analogy-Making as a Core Primitive in the Software Engineering Toolbox [7.396342576390398]
我々は、アナログ作成はソフトウェア工学における中核的なプリミティブと見なされるべきである、と論じている。
我々は、ソフトウェア工学アプリケーションに適した新しいアナログ生成アルゴリズムであるSifterを用いて、このアイデアを実証する。
論文 参考訳(メタデータ) (2020-09-14T17:24:15Z) - Generalizing Outside the Training Set: When Can Neural Networks Learn
Identity Effects? [1.2891210250935143]
標準アーキテクチャによるディープニューラルネットワークやバックプロパゲーションによるトレーニングを含むアルゴリズムのクラスが、新しい入力に一般化可能であることを示す。
我々は,新しい入力に一般化するアルゴリズムの能力に対する異なる入力エンコーディングの効果を探索する計算実験で,我々の理論を実証する。
論文 参考訳(メタデータ) (2020-05-09T01:08:07Z) - Machine Number Sense: A Dataset of Visual Arithmetic Problems for
Abstract and Relational Reasoning [95.18337034090648]
文法モデルを用いて自動生成される視覚的算術問題からなるデータセット、MNS(Machine Number Sense)を提案する。
これらの視覚的算術問題は幾何学的フィギュアの形をしている。
我々は、この視覚的推論タスクのベースラインとして、4つの主要なニューラルネットワークモデルを用いて、MNSデータセットをベンチマークする。
論文 参考訳(メタデータ) (2020-04-25T17:14:58Z)
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。