論文の概要: Towards Unifying Perceptual Reasoning and Logical Reasoning
- arxiv url: http://arxiv.org/abs/2206.13174v1
- Date: Mon, 27 Jun 2022 10:32:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 15:23:07.484492
- Title: Towards Unifying Perceptual Reasoning and Logical Reasoning
- Title（参考訳）: 知覚的推論と論理的推論の統一に向けて
- Authors: Hiroyuki Kido
- Abstract要約: 論理学の最近の研究は、論理的推論をベイズ的推論として提示している。
モデルが知覚システムと論理システムに共通する2つの本質的なプロセスを統合することを示す。
- 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: An increasing number of scientific experiments support the view of perception
as Bayesian inference, which is rooted in Helmholtz's view of perception as
unconscious inference. Recent study of logic presents a view of logical
reasoning as Bayesian inference. In this paper, we give a simple probabilistic
model that is applicable to both perceptual reasoning and logical reasoning. We
show that the model unifies the two essential processes common in perceptual
and logical systems: on the one hand, the process by which perceptual and
logical knowledge is derived from another knowledge, and on the other hand, the
process by which such knowledge is derived from data. We fully characterise the
model in terms of logical consequence relations.
- Abstract（参考訳）: 科学実験が増加し、ヒルムホルツの無意識推論としての認識に根ざしたベイズ推論としての認識が支持されるようになった。
最近の論理学の研究は、論理推論をベイズ推論として捉えている。
本稿では,知覚的推論と論理的推論の両方に適用可能な単純な確率モデルを提案する。
一方,知覚的・論理的知識が他の知識から導き出される過程と,そのような知識がデータから導き出される過程という,知覚的・論理的システムに共通する2つの本質的なプロセスが一体化されていることを示す。
我々はそのモデルを論理的帰結関係の観点で完全に特徴づける。
関連論文リスト
- Neural Probabilistic Logic Learning for Knowledge Graph Reasoning [10.473897846826956]
本稿では,知識グラフの正確な推論を実現するための推論フレームワークを設計することを目的とする。
本稿では,組込みネットワークの表現力を効果的に向上するスコアリングモジュールを提案する。
我々は,変分推論に基づくマルコフ論理ネットワークを組み込むことにより,モデルの解釈可能性を向上させる。
論文 参考訳（メタデータ） (2024-07-04T07:45:46Z) - Conceptual and Unbiased Reasoning in Language Models [98.90677711523645]
本稿では,抽象的質問に対する概念的推論をモデルに強制する,新しい概念化フレームワークを提案する。
既存の大規模言語モデルは概念的推論では不足しており、様々なベンチマークでは9%から28%に低下している。
ハイレベルな抽象的推論が不偏で一般化可能な意思決定の鍵となるので、モデルがどのように改善できるかについて議論する。
論文 参考訳（メタデータ） (2024-03-30T00:53:53Z) - 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) - Crystal: Introspective Reasoners Reinforced with Self-Feedback [118.53428015478957]
本稿では,イントロスペクティブ・コモンセンス推論器であるCrystalを開発するための新しい手法を提案する。
コモンセンス問題に対処するため、まず与えられた質問に関連する知識ステートメントのイントロスペクションを行い、その後、それまでのイントロスペクションされた知識に根ざした情報予測を行う。
実験により、クリスタルは標準的な微調整法と連鎖蒸留法の両方で著しく優れており、コモンセンス推論プロセスの透明性を高めていることが示された。
論文 参考訳（メタデータ） (2023-10-07T21:23:58Z) - 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) - 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) - A Quantitative Symbolic Approach to Individual Human Reasoning [0.0]
文献から得られた知見を,論理的枠組みの中で認知的原理として定式化され,理論的推論の定量的概念を確立できることを示す。
非単調推論と計算機科学の技法、すなわち、解集合プログラミング(ASP)と呼ばれる解法パラダイムを用いる。
最後に、ASP.NETの可視性推論を使って、既存の実験の効果をテストし、異なる多数派反応を説明できます。
論文 参考訳（メタデータ） (2022-05-10T16:43:47Z) - Observing Interventions: A logic for thinking about experiments [62.997667081978825]
本稿では,実験から学ぶ論理への第一歩について述べる。
我々のアプローチにとって重要なことは、介入の概念が(現実的または仮説的な)実験の形式的表現として使用できるという考えである。
提案された全ての論理系に対して、健全で完全な公理化を提供する。
論文 参考訳（メタデータ） (2021-11-25T09:26:45Z) - A Qualitative Theory of Cognitive Attitudes and their Change [8.417971913040066]
定性的決定理論の様々な関連概念を表現できることを示した。
また、選択の概念による論理の拡張と、信念変化と欲望変化のための動的作用素による拡張の2つを提示する。
論文 参考訳（メタデータ） (2021-02-16T10:28:49Z) - Thinking About Causation: A Causal Language with Epistemic Operators [58.720142291102135]
我々はエージェントの状態を表すことで因果モデルの概念を拡張した。
対象言語の側面には、知識を表現する演算子や、新しい情報を観察する行為が追加されます。
我々は、論理の健全かつ完全な公理化を提供し、このフレームワークと因果的チーム意味論との関係について論じる。
論文 参考訳（メタデータ） (2020-10-30T12:16:45Z) - 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。
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。