Fugu-MT 論文翻訳(概要): Towards Unifying Logical Entailment and Statistical Estimation

論文の概要: Towards Unifying Logical Entailment and Statistical Estimation

arxiv url: http://arxiv.org/abs/2202.13406v1
Date: Sun, 27 Feb 2022 17:51:35 GMT
ステータス: 処理完了
システム内更新日: 2022-03-01 16:47:05.427553
Title: Towards Unifying Logical Entailment and Statistical Estimation
Title（参考訳）: 論理的包含と統計的推定の統一に向けて
Authors: Hiroyuki Kido
Abstract要約: 本稿では,データ駆動論理推論のための形式論理の解釈モデルを提案する。生成モデルは論理学と統計学におけるいくつかの異なるタイプの推論の統一理論であることが示されている。
参考スコア（独自算出の注目度）: 0.6853165736531939
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper gives a generative model of the interpretation of formal logic for data-driven logical reasoning. The key idea is to represent the interpretation as likelihood of a formula being true given a model of formal logic. Using the likelihood, Bayes' theorem gives the posterior of the model being the case given the formula. The posterior represents an inverse interpretation of formal logic that seeks models making the formula true. The likelihood and posterior cause Bayesian learning that gives the probability of the conclusion being true in the models where all the premises are true. This paper looks at statistical and logical properties of the Bayesian learning. It is shown that the generative model is a unified theory of several different types of reasoning in logic and statistics.
Abstract（参考訳）: 本稿では,データ駆動論理推論のための形式論理の解釈モデルを提案する。鍵となる考え方は、形式論理のモデルが与えられた公式が真である可能性として解釈を表現することである。この可能性を用いて、ベイズの定理はモデルの裏側を公式が与えられた場合とする。後部は形式論理の逆解釈を表し、公式を真とするモデルを求める。確率と後続は、すべての前提が真であるモデルにおいて結論が真である確率を与えるベイズ学習を引き起こす。本稿ではベイズ学習の統計的および論理的性質について考察する。生成モデルは論理学や統計学におけるいくつかの異なる推論の統一理論であることが示されている。

関連論文リスト

Lean-STaR: Learning to Interleave Thinking and Proving [53.923617816215774]
証明の各ステップに先立って,非公式な思考を生成するために,言語モデルをトレーニングするフレームワークであるLean-STaRを紹介します。 Lean-STaRは、Lean定理証明環境内のminiF2F-testベンチマークで最先端の結果を達成する。
論文参考訳（メタデータ） (2024-07-14T01:43:07Z)
On the Origins of Linear Representations in Large Language Models [51.88404605700344]
我々は,次のトークン予測の概念力学を定式化するために,単純な潜在変数モデルを導入する。実験により、潜在変数モデルと一致するデータから学習すると線形表現が現れることが示された。また、LLaMA-2大言語モデルを用いて、理論のいくつかの予測を検証した。
論文参考訳（メタデータ） (2024-03-06T17:17:36Z)
Inference of Abstraction for a Unified Account of Reasoning and Learning [0.0]
我々は、推論と学習の統一的な説明のために、単純な確率的推論の理論を与える。我々は、形式論理におけるその満足度の観点から、データがどのように象徴的な知識を引き起こすかをモデル化する。
論文参考訳（メタデータ） (2024-02-14T09:43:35Z)
A Simple Generative Model of Logical Reasoning and Statistical Learning [0.6853165736531939]
統計的学習と論理的推論は、AIの2つの主要な分野であり、人間のようなマシンインテリジェンスに統一されることが期待されている。本稿では、論理的推論と統計的学習の単純なベイズモデルを提案する。我々は、形式論理におけるその満足度の観点から、データがどのように象徴的知識を引き起こすかをモデル化する。
論文参考訳（メタデータ） (2023-05-18T16:34:51Z)
Causal models in string diagrams [0.0]
因果モデル(英語版)の枠組みは、今日多くの科学的領域で適用されている因果推論に対する原則化されたアプローチを提供する。本稿では,この枠組みを,圏論を用いて形式的に解釈した文字列図形言語に提示する。因果モデルフレームワークによる因果推論は、最も自然かつ直感的に図式推論として行われることを議論し、実証する。
論文参考訳（メタデータ） (2023-04-15T21:54:48Z)
Generative Logic with Time: Beyond Logical Consistency and Statistical Possibility [0.6853165736531939]
本稿では,データから記号的知識を生成する時間確率モデルを提案する。モデルの正しさは、コルモゴロフの公理、フェンシュタットの定理、最大推定値との整合性の観点から正当化される。
論文参考訳（メタデータ） (2023-01-20T10:55:49Z)
MetaLogic: Logical Reasoning Explanations with Fine-Grained Structure [129.8481568648651]
複雑な実生活シナリオにおけるモデルの論理的推論能力を調べるためのベンチマークを提案する。推論のマルチホップ連鎖に基づいて、説明形式は3つの主成分を含む。この新たな説明形式を用いて,現在のベストモデルの性能を評価した。
論文参考訳（メタデータ） (2022-10-22T16:01:13Z)
Logical Satisfiability of Counterfactuals for Faithful Explanations in NLI [60.142926537264714]
本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。これは、説明に表される論理述語に基づいて、反実仮説を生成する。そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
論文参考訳（メタデータ） (2022-05-25T03:40:59Z)
Logical Credal Networks [87.25387518070411]
本稿では,論理と確率を組み合わせた先行モデルの多くを一般化した表現的確率論的論理である論理的クレダルネットワークを紹介する。本稿では,不確実性のあるマスターミンドゲームを解くこと,クレジットカード詐欺を検出することを含む,最大後部推論タスクの性能について検討する。
論文参考訳（メタデータ） (2021-09-25T00:00:47Z)
Bayes Meets Entailment and Prediction: Commonsense Reasoning with Non-monotonicity, Paraconsistency and Predictive Accuracy [2.7412662946127755]
論理的な結果関係の生成モデルを紹介します。これは、ある文の真理値が、世界の状態の確率分布から確率的に生成される過程を定式化する。生成モデルは、カグルタイタニックデータセットの予測精度と複雑性において、いくつかの代表的なアルゴリズムを上回る新しい分類アルゴリズムを与える。
論文参考訳（メタデータ） (2020-12-15T18:22:27Z)
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。