論文の概要: Adversarial Learning to Reason in an Arbitrary Logic

• arxiv url: http://arxiv.org/abs/2204.02737v1
• Date: Wed, 6 Apr 2022 11:25:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 14:13:38.896234
• Title: Adversarial Learning to Reason in an Arbitrary Logic
• Title（参考訳）: 任意論理における推論に対する対立学習
• Authors: Stanis{\l}aw J. Purga{\l} and Cezary Kaliszyk
• Abstract要約: 定理を証明するための既存のアプローチは、特定の論理とデータセットに焦点を当てている。 本稿では,任意の論理で動作可能な強化学習によって導かれるモンテカルロシミュレーションを提案する。
• 参考スコア（独自算出の注目度）: 5.076419064097733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing approaches to learning to prove theorems focus on particular logics and datasets. In this work, we propose Monte-Carlo simulations guided by reinforcement learning that can work in an arbitrarily specified logic, without any human knowledge or set of problems. Since the algorithm does not need any training dataset, it is able to learn to work with any logical foundation, even when there is no body of proofs or even conjectures available. We practically demonstrate the feasibility of the approach in multiple logical systems. The approach is stronger than training on randomly generated data but weaker than the approaches trained on tailored axiom and conjecture sets. It however allows us to apply machine learning to automated theorem proving for many logics, where no such attempts have been tried to date, such as intuitionistic logic or linear logic.
• Abstract（参考訳）: 定理を証明するための既存のアプローチは、特定の論理とデータセットに焦点を当てている。 本研究では,人的知識や問題セットを使わずに任意の論理で動作可能な強化学習によって導かれるモンテカルロシミュレーションを提案する。 アルゴリズムはトレーニングデータセットを必要としないので、利用可能な証明や推測の集まりがなくても、いかなる論理的な基盤とも連携することを学べる。 複数の論理系におけるアプローチの実現可能性を示す。 この手法はランダムに生成されたデータのトレーニングよりも強いが、調整された公理と予想セットで訓練されたアプローチよりも弱い。 しかし、直観主義論理や線形論理など、これまでにそのような試みが試みられていない多くの論理に対する自動定理証明に機械学習を適用することができる。

関連論文リスト

• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。 任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。 広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• LogicBench: Towards Systematic Evaluation of Logical Reasoning Ability of Large Language Models [52.03659714625452]
  最近開発された大規模言語モデル (LLM) は、幅広い言語理解タスクにおいて非常によく機能することが示されている。 しかし、それらは自然言語に対して本当に「理性」があるのだろうか? この疑問は研究の注目を集めており、コモンセンス、数値、定性的など多くの推論技術が研究されている。
  論文  参考訳（メタデータ） (2024-04-23T21:08:49Z)
• Learning Guided Automated Reasoning: A Brief Survey [5.607616497275423]
  これまでに開発されてきたいくつかの自動推論・定理証明領域と学習・AI手法の概要について概説する。 これには、前提選択、いくつかの設定での証明ガイダンス、推論と学習を繰り返すフィードバックループ、象徴的な分類問題が含まれる。
  論文  参考訳（メタデータ） (2024-03-06T19:59:17Z)
• 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)
• Connecting Proof Theory and Knowledge Representation: Sequent Calculi and the Chase with Existential Rules [1.8275108630751844]
  実存則の文脈におけるチェイス機構は、本質的には、一階述語論理に対するゲンツェンの逐次計算の拡張における証明探索と同じであることを示す。 我々は、決定可能性の証明を理論的に確立するための中央ツールを、知識表現の文脈において、決定可能性の中央ツールと正式に結合する。
  論文  参考訳（メタデータ） (2023-06-05T01:10:23Z)
• 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)
• 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)
• RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
  本稿では知識グラフに基づく推論のための論理規則の学習について研究する。 論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。 既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
  論文  参考訳（メタデータ） (2020-10-08T14:47:02Z)
• 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)
• Symbolic Logic meets Machine Learning: A Brief Survey in Infinite Domains [12.47276164048813]
  推論と帰納の緊張は、おそらく哲学、認知、人工知能といった分野において最も根本的な問題である。 本稿では,論理の限界に対する見解に挑戦する結果について報告し,無限領域での学習において論理が果たす役割を明らかにする。
  論文  参考訳（メタデータ） (2020-06-15T15:29:49Z)

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。