Fugu-MT 論文翻訳(概要): LogicInference: A New Dataset for Teaching Logical Inference to seq2seq Models

論文の概要: LogicInference: A New Dataset for Teaching Logical Inference to seq2seq Models

arxiv url: http://arxiv.org/abs/2203.15099v1
Date: Mon, 28 Mar 2022 21:13:22 GMT
ステータス: 処理完了
システム内更新日: 2022-04-01 08:37:56.505415
Title: LogicInference: A New Dataset for Teaching Logical Inference to seq2seq Models
Title（参考訳）: LogicInference:seq2seqモデルに論理推論を教える新しいデータセット
Authors: Santiago Ontanon, Joshua Ainslie, Vaclav Cvicek and Zachary Fisher
Abstract要約: 本稿では,論理推論を行うモデルの能力を評価する新しいデータセットであるLogicInferenceを提案する。このデータセットは、命題論理と一階述語論理の小さなサブセットを用いた推論に焦点を当てている。また、このデータセットに初期ベースラインを確立するために、機械学習モデルの集合を用いて初期結果を報告する。
参考スコア（独自算出の注目度）: 4.186923466475792
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning models such as Transformers or LSTMs struggle with tasks that are compositional in nature such as those involving reasoning/inference. Although many datasets exist to evaluate compositional generalization, when it comes to evaluating inference abilities, options are more limited. This paper presents LogicInference, a new dataset to evaluate the ability of models to perform logical inference. The dataset focuses on inference using propositional logic and a small subset of first-order logic, represented both in semi-formal logical notation, as well as in natural language. We also report initial results using a collection of machine learning models to establish an initial baseline in this dataset.
Abstract（参考訳）: TransformerやLSTMといった機械学習モデルは、推論や推論など、本質的に構成的なタスクと競合する。構成一般化を評価するために多くのデータセットが存在するが、推論能力を評価する場合、選択肢はより限られている。本稿では,論理推論を行うモデルの能力を評価する新しいデータセットであるlogicinferenceを提案する。データセットは命題論理を用いた推論と、半形式論理表記と自然言語の両方で表される一階述語論理の小さなサブセットに焦点を当てている。また、このデータセットの初期ベースラインを確立するために、機械学習モデルの集合を用いて初期結果を報告する。

関連論文リスト

Assessing and Enhancing the Robustness of Large Language Models with Task Structure Variations for Logical Reasoning [25.496627355906966]
我々は「ReClor-plus」、「LogiQA-plus」、「LogiQAv2-plus」という3つの新しい論理推論データセットを開発した。実験により、これらの単純な拡張がモデルの性能を著しく損なうことが示されている。微調整とプロンプトのためのロジック駆動型データ拡張の適用は、識別モデルと生成モデルの両方における一般化を促進することができる。
論文参考訳（メタデータ） (2023-10-13T22:29:15Z)
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)
Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文参考訳（メタデータ） (2023-06-21T07:34:27Z)
APOLLO: A Simple Approach for Adaptive Pretraining of Language Models for Logical Reasoning [73.3035118224719]
本稿では,論理的推論能力を改善した適応事前学習型言語モデルAPOLLOを提案する。 APOLLOはReClorで比較可能であり、LogiQAでベースラインを上回ります。
論文参考訳（メタデータ） (2022-12-19T07:40:02Z)
Investigating the Robustness of Natural Language Generation from Logical Forms via Counterfactual Samples [30.079030298066847]
事前訓練されたモデルに基づく最先端の手法は、標準テストデータセットで顕著なパフォーマンスを達成した。これらの手法が、テーブルのヘッダーと論理形式の演算子の間の急激な相関にのみ依存するのではなく、論理的推論を行う方法を学ぶかどうかを疑問視する。本稿では,ショートカットへの依存を減らすための2つのアプローチを提案する。
論文参考訳（メタデータ） (2022-10-16T14:14:53Z)
PLOG: Table-to-Logic Pretraining for Logical Table-to-Text Generation [44.78200830757109]
本稿では,PLOG(Pretrained Logical Form Generator)フレームワークを提案する。 PLOGはまずテーブル・ツー・論理形式生成タスクで事前訓練され、その後下流のテーブル・ツー・テキストタスクで微調整される。 PLOGは、テーブル-テキスト対よりもずっと確実に、テーブル-論理対から論理的推論を学ぶことができる。
論文参考訳（メタデータ） (2022-05-25T11:55:54Z)
Structural Learning of Probabilistic Sentential Decision Diagrams under Partial Closed-World Assumption [127.439030701253]
確率感性決定図は構造化分解可能な回路のクラスである。本稿では,回路の論理的基盤を暗黙的に提供する部分閉世界仮定に基づく新しいスキームを提案する。予備実験では、提案手法がトレーニングデータに適切に適合し、基礎となる論理的基盤と整合性を維持した上で、テストデータによく適合することを示した。
論文参考訳（メタデータ） (2021-07-26T12:01:56Z)
A Topological-Framework to Improve Analysis of Machine Learning Model Performance [5.3893373617126565]
本稿では、データセットをモデルが動作する「空間」として扱う機械学習モデルを評価するためのフレームワークを提案する。本稿では,各サブポピュレーション間でのモデル性能の保存と解析に有用なトポロジカルデータ構造であるプレシーブについて述べる。
論文参考訳（メタデータ） (2021-07-09T23:11:13Z)
Logical Natural Language Generation from Open-Domain Tables [107.04385677577862]
本稿では,その事実に関連付けられた自然言語文をモデルで生成するタスクを提案する。提案した論理的 NLG 問題の研究を容易にするために,幅広い論理的・記号的推論を特徴とする既存の TabFact データセットcitechen 2019tabfact を用いる。新しいタスクは、シーケンス順序と論理順序のミスマッチのため、既存のモノトニック生成フレームワークに課題をもたらす。
論文参考訳（メタデータ） (2020-04-22T06:03:10Z)
Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
論文参考訳（メタデータ） (2020-03-14T05:45:55Z)

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。