Fugu-MT 論文翻訳(概要): Neural Logic Analogy Learning

論文の概要: Neural Logic Analogy Learning

arxiv url: http://arxiv.org/abs/2202.02436v1
Date: Fri, 4 Feb 2022 23:35:53 GMT
ステータス: 処理完了
システム内更新日: 2022-02-08 14:11:26.452765
Title: Neural Logic Analogy Learning
Title（参考訳）: ニューラルロジックアナロジー学習
Authors: Yujia Fan and Yongfeng Zhang
Abstract要約: 文字文字列の類推は、人間にとって簡単と思われるが機械にとって難しい重要な類推学習課題である。本稿では、微分可能な論理推論によって駆動される動的ニューラルネットワークアーキテクチャであるニューラル論理類似学習(Noan)を提案する。 Noanは、論理変数をベクトル埋め込みとして学び、ニューラルモジュールとして各論理演算を学習する。
参考スコア（独自算出の注目度）: 33.424692414746836
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Letter-string analogy is an important analogy learning task which seems to be easy for humans but very challenging for machines. The main idea behind current approaches to solving letter-string analogies is to design heuristic rules for extracting analogy structures and constructing analogy mappings. However, one key problem is that it is difficult to build a comprehensive and exhaustive set of analogy structures which can fully describe the subtlety of analogies. This problem makes current approaches unable to handle complicated letter-string analogy problems. In this paper, we propose Neural logic analogy learning (Noan), which is a dynamic neural architecture driven by differentiable logic reasoning to solve analogy problems. Each analogy problem is converted into logical expressions consisting of logical variables and basic logical operations (AND, OR, and NOT). More specifically, Noan learns the logical variables as vector embeddings and learns each logical operation as a neural module. In this way, the model builds computational graph integrating neural network with logical reasoning to capture the internal logical structure of the input letter strings. The analogy learning problem then becomes a True/False evaluation problem of the logical expressions. Experiments show that our machine learning-based Noan approach outperforms state-of-the-art approaches on standard letter-string analogy benchmark datasets.
Abstract（参考訳）: 文字文字列アナロジーは人間にとって簡単と思われるが、機械にとって非常に難しい重要なアナロジー学習タスクである。文字文字列アナロジーの解法の主な考え方は、アナロジー構造を抽出しアナロジー写像を構築するためのヒューリスティックな規則を設計することである。しかし、一つの重要な問題は、アナロジーの微妙さを完全に記述できる包括的で網羅的なアナロジー構造を構築することが難しいことである。この問題により、現在のアプローチでは複雑な文字列類似の問題に対処できない。本稿では,アナロジー問題を解くために,微分可能な論理推論によって駆動される動的ニューラルネットワークであるneural logic analogy learning(noan)を提案する。各アナロジー問題は論理変数と基本論理演算(and, or, not)からなる論理式に変換される。より具体的には、Noanはベクトル埋め込みとして論理変数を学び、ニューラルモジュールとして各論理演算を学習する。このようにモデルでは、入力文字列の内部論理構造をキャプチャするために、ニューラルネットワークと論理推論を統合する計算グラフを構築する。そして、アナロジー学習問題は論理表現の真偽評価問題となる。実験により、私たちの機械学習ベースのNoanアプローチは、標準文字文字列類似ベンチマークデータセットの最先端アプローチよりも優れています。

関連論文リスト

Language Models can be Logical Solvers [99.40649402395725]
論理解法の推論過程を直接エミュレートする新しい言語モデルであるLoGiPTを導入する。 LoGiPTは、導出的ソルバの見えない推論過程を明らかにして精錬することから導かれる、新しく構築された命令チューニングデータセットに基づいて微調整される。
論文参考訳（メタデータ） (2023-11-10T16:23:50Z)
Empower Nested Boolean Logic via Self-Supervised Curriculum Learning [67.46052028752327]
大規模言語モデルを含む事前学習された言語モデルは、多言語論理に直面するランダムセレクタのように振る舞う。この基本的能力で言語モデルを強化するために,本稿では,新たな自己教師付き学習手法であるtextitCurriculum Logical Reasoning (textscClr) を提案する。
論文参考訳（メタデータ） (2023-10-09T06:54:02Z)
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)
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)
Logiformer: A Two-Branch Graph Transformer Network for Interpretable Logical Reasoning [10.716971124214332]
テキストの論理的推論に2分岐グラフ変換器ネットワークを利用するエンドツーエンドモデルLogiformerを提案する。テキストを2つの論理単位に分割し,それぞれ論理グラフと構文グラフを構築する。推論プロセスは、人間の認知と整合した論理単位を用いることで解釈可能性を提供する。
論文参考訳（メタデータ） (2022-05-02T08:34:59Z)
Scales and Hedges in a Logic with Analogous Semantics [0.0]
Fuzzy Logicには、多くの説明的および応用上の利点があり、最もよく知られているのは、専門家が制御システムを開発するのを助ける能力である。人間における社会的意思決定には、他者についての論理的な結論が共感的な感情に根ざしていることが不可欠である。本稿では,形容詞的意味論や動詞的意味論に必要となるスケールがシステムによってどのように扱われるかを,既存の理論に追加する。
論文参考訳（メタデータ） (2022-01-21T12:48:58Z)
On syntactically similar logic programs and sequential decompositions [0.0]
ルールベースの推論は、論理プログラムを通じて人工知能研究において顕著に形式化された人間の知能の重要な部分である。複雑な物体を素体の合成として記述することは、コンピュータ科学や科学全般において一般的な戦略である。一段階の削減によって、異なるドメインにわたるクエリに、どのように類似性を使って答えることができるかを示す。
論文参考訳（メタデータ） (2021-09-11T15:22:17Z)
Logic-Driven Context Extension and Data Augmentation for Logical Reasoning of Text [65.24325614642223]
論理的な記号や表現をテキストで理解し、答えにたどり着くよう提案します。このような論理的情報に基づいて,文脈拡張フレームワークとデータ拡張アルゴリズムを提案する。本手法は最先端の性能を実現し,論理駆動コンテキスト拡張フレームワークとデータ拡張アルゴリズムの両方が精度向上に寄与する。
論文参考訳（メタデータ） (2021-05-08T10:09:36Z)

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。