論文の概要: Inductive Learning of Complex Knowledge from Raw Data

• arxiv url: http://arxiv.org/abs/2205.12735v1
• Date: Wed, 25 May 2022 12:41:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-26 20:41:04.513284
• Title: Inductive Learning of Complex Knowledge from Raw Data
• Title（参考訳）: 生データからの複雑な知識のインダクティブ学習
• Authors: Daniel Cunnington, Mark Law, Jorge Lobo, Alessandra Russo
• Abstract要約: 本稿ではニューラルネットワークを用いて生データから潜伏概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは、これらの潜伏概念の観点で定義された複雑な問題を解決するシンボリック知識を学習する。 複雑度の異なる知識の学習を必要とする2つの問題領域においてNSILを評価する。
• 参考スコア（独自算出の注目度）: 71.1173663947672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the ultimate goals of Artificial Intelligence is to learn generalised and human-interpretable knowledge from raw data. Neuro-symbolic reasoning approaches partly tackle this problem by improving the training of a neural network using a manually engineered symbolic knowledge base. In the case where symbolic knowledge is learned from raw data, this knowledge lacks the expressivity required to solve complex problems. In this paper, we introduce Neuro-Symbolic Inductive Learner (NSIL), an approach that trains a neural network to extract latent concepts from raw data, whilst learning symbolic knowledge that solves complex problems, defined in terms of these latent concepts. The novelty of our approach is a method for biasing a symbolic learner to learn improved knowledge, based on the in-training performance of both neural and symbolic components. We evaluate NSIL on two problem domains that require learning knowledge with different levels of complexity, and demonstrate that NSIL learns knowledge that is not possible to learn with other neuro-symbolic systems, whilst outperforming baseline models in terms of accuracy and data efficiency.
• Abstract（参考訳）: 人工知能の究極の目標の1つは、生データから一般化された人間の解釈可能な知識を学ぶことである。 ニューロシンボリック推論アプローチは、手作業による記号知識ベースを用いたニューラルネットワークのトレーニングを改善することで、この問題に部分的に対処する。 生のデータから記号的知識を学ぶ場合、この知識は複雑な問題を解決するのに必要な表現力に欠ける。 本稿では,ニューラル・シンボリック・インダクティブ・ラーナー(nsil)について紹介する。ニューラル・ネットワークを訓練して生データから潜在概念を抽出し,これらの潜在概念で定義される複雑な問題を解決する記号的知識を学習する。 本手法の新規性は,ニューラルネットワークとシンボルコンポーネントの両方のトレーニング性能に基づいて,学習者の知識向上をバイアスする手法である。 NSILは,異なるレベルの複雑さで学習する知識を必要とする2つの問題領域において評価し,精度とデータ効率の観点からベースラインモデルを上回る性能を保ちながら,他のニューロシンボリックシステムでは学習できない知識を学習することを示した。

関連論文リスト

• Formal Explanations for Neuro-Symbolic AI [28.358183683756028]
  本稿では,ニューロシンボリックシステムの決定を説明するための公式なアプローチを提案する。 これはまず、説明が必要な神経情報の個々の部分のサブセットを特定するのに役立つ。 これに続いて、階層的な形式的な説明の簡潔さを促進するために、互いに独立して、これらの個々の神経入力のみを説明する。
  論文  参考訳（メタデータ） (2024-10-18T07:08:31Z)
• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• NeuralFastLAS: Fast Logic-Based Learning from Raw Data [54.938128496934695]
  シンボリック・ルール学習者は解釈可能な解を生成するが、入力を記号的に符号化する必要がある。 ニューロシンボリックアプローチは、ニューラルネットワークを使用して生データを潜在シンボリック概念にマッピングすることで、この問題を克服する。 我々は,ニューラルネットワークを記号学習者と共同でトレーニングする,スケーラブルで高速なエンドツーエンドアプローチであるNeuralFastLASを紹介する。
  論文  参考訳（メタデータ） (2023-10-08T12:33:42Z)
• Beyond Traditional Neural Networks: Toward adding Reasoning and Learning Capabilities through Computational Logic Techniques [0.0]
  本研究では,知識注入プロセスを改善し,MLとロジックの要素をマルチエージェントシステムに統合する手法を提案する。 Neuro-Symbolic AIは、ニューラルネットワークとシンボリック推論の強みを組み合わせた、有望なアプローチとして登場した。
  論文  参考訳（メタデータ） (2023-08-30T09:09:42Z)
• Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
  ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
  論文  参考訳（メタデータ） (2022-10-28T04:38:10Z)
• Closed Loop Neural-Symbolic Learning via Integrating Neural Perception, Grammar Parsing, and Symbolic Reasoning [134.77207192945053]
  従来の手法は強化学習アプローチを用いてニューラルシンボリックモデルを学ぶ。 我々は,脳神経知覚と記号的推論を橋渡しする前に,textbfgrammarモデルをテキストシンボリックとして導入する。 本稿では,トップダウンのヒューマンライクな学習手順を模倣して誤りを伝播する新しいtextbfback-searchアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:42:49Z)

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。