Fugu-MT 論文翻訳(概要): Tractable Boolean and Arithmetic Circuits

論文の概要: Tractable Boolean and Arithmetic Circuits

arxiv url: http://arxiv.org/abs/2202.02942v1
Date: Mon, 7 Feb 2022 05:01:38 GMT
ステータス: 処理完了
システム内更新日: 2022-02-08 15:05:04.149903
Title: Tractable Boolean and Arithmetic Circuits
Title（参考訳）: トラクタブルブール回路と算術回路
Authors: Adnan Darwiche
Abstract要約: トラクタブル回路の基礎と関連するマイルストーンについて概観する。我々は、ニューロシンボリックAIの幅広い目的に特に役立つ彼らのコア特性と技術に焦点を当てる。
参考スコア（独自算出の注目度）: 11.358487655918676
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Tractable Boolean and arithmetic circuits have been studied extensively in AI for over two decades now. These circuits were initially proposed as "compiled objects," meant to facilitate logical and probabilistic reasoning, as they permit various types of inference to be performed in linear-time and a feed-forward fashion like neural networks. In more recent years, the role of tractable circuits has significantly expanded as they became a computational and semantical backbone for some approaches that aim to integrate knowledge, reasoning and learning. In this article, we review the foundations of tractable circuits and some associated milestones, while focusing on their core properties and techniques that make them particularly useful for the broad aims of neuro-symbolic AI.
Abstract（参考訳）: トラクタブルブール回路と算術回路は、20年以上にわたりAIで広く研究されてきた。これらの回路は、線形時間およびニューラルネットワークのようなフィードフォワード方式で様々な推論を可能にするため、論理的かつ確率的推論を容易にするために、当初「コンパイルされたオブジェクト」として提案された。近年では、知識、推論、学習を統合することを目的としたいくつかのアプローチの計算と意味論のバックボーンとなるにつれて、扱いやすい回路の役割が大幅に拡大している。本稿では, トラクタブル回路の基礎と関連するマイルストーンを概観するとともに, ニューロシンボリックAIの幅広い目的に特に役立つコア特性と技術に注目した。

関連論文リスト

KLay: Accelerating Neurosymbolic AI [5.342751235300229]
ニューロシンボリックAIに対する一般的なアプローチは、論理式を演算回路にマッピングすることである。我々は,効率よく並列化可能な演算回路を表現するために知識層(KLay)を導入する。我々は,KLayが複数桁の高速化を実現することを実証的に示す。
論文参考訳（メタデータ） (2024-10-15T09:02:55Z)
Transformer Circuit Faithfulness Metrics are not Robust [0.04260910081285213]
回路の「忠実さ」を、モデルの計算の一部を損なうことによって測定する。既存の回路忠実度スコアは、研究者の方法論的選択と回路の実際の構成要素の両方を反映していると結論付けている。機械的解釈可能性の研究の最終的な目標は、ニューラルネットワークを理解することです。
論文参考訳（メタデータ） (2024-07-11T17:59:00Z)
Learning Interpretable Differentiable Logic Networks [3.8064485653035987]
解釈可能な微分可能論理ネットワーク(DLN)を学習するための新しい手法を提案する。我々はこれらのネットワークを、入力の双対化、二項論理演算、ニューロン間の接続を通じて、個々の成分の軟化と差別化によって訓練する。 20の分類タスクの実験結果は、従来のNNと同等かそれ以上の精度で、微分可能な論理ネットワークが達成可能であることを示している。
論文参考訳（メタデータ） (2024-07-04T21:58:26Z)
Coding for Intelligence from the Perspective of Category [66.14012258680992]
符号化の対象はデータの圧縮と再構成、インテリジェンスである。最近の傾向は、これらの2つの分野の潜在的均一性を示している。本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
論文参考訳（メタデータ） (2024-07-01T07:05:44Z)
Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。この論文は、この領域の研究に理論的および実践的な貢献を提供する。
論文参考訳（メタデータ） (2024-02-21T12:16:51Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文参考訳（メタデータ） (2022-12-18T02:03:00Z)
Bayesian Learning for Neural Networks: an algorithmic survey [95.42181254494287]
この自己完結型調査は、ベイズ学習ニューラルネットワークの原理とアルゴリズムを読者に紹介する。アクセシブルで実践的な視点からこのトピックを紹介します。
論文参考訳（メタデータ） (2022-11-21T21:36:58Z)
PAC-learning gains of Turing machines over circuits and neural networks [1.4502611532302039]
私達は最低記述の長さの原則を持って来ることができるサンプル効率の潜在的な利益を研究します。我々はチューリングマシンを用いて普遍的なモデルと回路を表現する。回路の複雑さと密接性における古典的オープン問題との密接な関係を浮き彫りにする。
論文参考訳（メタデータ） (2021-03-23T17:03:10Z)
Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
論文参考訳（メタデータ） (2021-03-03T12:34:59Z)
Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。スパイキングニューラルネットワークのハードウェア実装の現状について述べる。本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。