論文の概要: ZeroC: A Neuro-Symbolic Model for Zero-shot Concept Recognition and
Acquisition at Inference Time
- arxiv url: http://arxiv.org/abs/2206.15049v1
- Date: Thu, 30 Jun 2022 06:24:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-02 03:41:58.227679
- Title: ZeroC: A Neuro-Symbolic Model for Zero-shot Concept Recognition and
Acquisition at Inference Time
- Title（参考訳）: ZeroC: ゼロショット概念認識と推論時の獲得のためのニューロシンボリックモデル
- Authors: Tailin Wu, Megan Tjandrasuwita, Zhengxuan Wu, Xuelin Yang, Kevin Liu,
Rok Sosi\v{c}, Jure Leskovec
- Abstract要約: 人間は、ゼロショットで新しい視覚概念を認識し、獲得する驚くべき能力を持っている。
ゼロショット概念認識・獲得(ZeroC)は,ゼロショット方式で新規概念を認識・取得できる,ニューロシンボリックアーキテクチャである。
- 参考スコア（独自算出の注目度）: 49.067846763204564
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Humans have the remarkable ability to recognize and acquire novel visual
concepts in a zero-shot manner. Given a high-level, symbolic description of a
novel concept in terms of previously learned visual concepts and their
relations, humans can recognize novel concepts without seeing any examples.
Moreover, they can acquire new concepts by parsing and communicating symbolic
structures using learned visual concepts and relations. Endowing these
capabilities in machines is pivotal in improving their generalization
capability at inference time. In this work, we introduce Zero-shot Concept
Recognition and Acquisition (ZeroC), a neuro-symbolic architecture that can
recognize and acquire novel concepts in a zero-shot way. ZeroC represents
concepts as graphs of constituent concept models (as nodes) and their relations
(as edges). To allow inference time composition, we employ energy-based models
(EBMs) to model concepts and relations. We design ZeroC architecture so that it
allows a one-to-one mapping between a symbolic graph structure of a concept and
its corresponding EBM, which for the first time, allows acquiring new concepts,
communicating its graph structure, and applying it to classification and
detection tasks (even across domains) at inference time. We introduce
algorithms for learning and inference with ZeroC. We evaluate ZeroC on a
challenging grid-world dataset which is designed to probe zero-shot concept
recognition and acquisition, and demonstrate its capability.
- Abstract（参考訳）: 人間はゼロショットで新しい視覚概念を認識し、獲得する能力を持っている。
以前に学習した視覚概念とその関係の観点から、新しい概念の高水準で象徴的な記述を考えると、人間は例を見ずに、新しい概念を認識できる。
さらに、学習した視覚概念と関係を用いてシンボリック構造を解析し、通信することで、新しい概念を得ることができる。
これらの機能をマシンに組み込むことは、推論時に一般化能力を改善する上で重要である。
本研究では,ゼロショット概念認識と獲得(ZeroC)を導入し,ゼロショット方式で新しい概念を認識・取得できるニューロシンボリックアーキテクチャを提案する。
ZeroCは概念を構成概念モデル(ノード)とその関係(エッジ)のグラフとして表現する。
推論時間の構成を可能にするため、エネルギーベースモデル(EBM)を用いて概念と関係をモデル化する。
我々は、ZeroCアーキテクチャを設計し、概念のシンボルグラフ構造とその対応するEMMを1対1でマッピングできるようにし、新しい概念を初めて獲得し、そのグラフ構造を通信し、推論時に分類および検出タスク(ドメイン間でさえ)に適用することを可能にする。
我々はZeroCで学習と推論を行うアルゴリズムを導入する。
我々はゼロショットの概念認識と取得を探索するために設計されたグリッドワールドデータセット上でZeroCを評価し、その能力を実証する。
関連論文リスト
- Exploiting Interpretable Capabilities with Concept-Enhanced Diffusion and Prototype Networks [8.391254800873599]
既存のアーキテクチャに概念情報を組み込んだ、概念に富んだモデルを作成します。
特に,概念の視覚的表現を生成できる概念誘導拡散条件と,概念誘導型プロトタイプネットワークを提案する。
これらの結果は、機械学習をより人間に理解しやすいものにするために、既存の情報を活用することによって、新たな研究の行を開放する。
論文 参考訳（メタデータ） (2024-10-24T13:07:56Z) - Neural Concept Binder [22.074896812195437]
本稿では、離散概念表現と連続概念表現の両方を導出するフレームワークであるNeural Concept Binder (NCB)を紹介する。
NCBの概念表現の構造的性質は、直感的な検査と外部知識の直接的な統合を可能にする。
新たに導入したCLEVR-Sudokuデータセットを用いて,NCBの有効性を評価する。
論文 参考訳（メタデータ） (2024-06-14T11:52:09Z) - LLM-assisted Concept Discovery: Automatically Identifying and Explaining Neuron Functions [15.381209058506078]
以前の研究は、概念の例や事前に定義された概念のセットに基づいて、ニューロンに関連づけられた概念を持っている。
本稿では,マルチモーダルな大規模言語モデルを用いて,自動的かつオープンな概念発見を提案する。
我々は,この新たな画像に対して,サンプルと反例を生成し,ニューロンの反応を評価することにより,それぞれの概念を検証する。
論文 参考訳（メタデータ） (2024-06-12T18:19:37Z) - Knowledge graphs for empirical concept retrieval [1.06378109904813]
概念に基づく説明可能なAIは、あるユーザの前提における複雑なモデルの理解を改善するツールとして期待されている。
本稿では,テキスト領域と画像領域の両方でユーザ主導のデータ収集を行うワークフローを提案する。
我々は,概念アクティベーションベクトル(CAV)と概念アクティベーション領域(CAR)の2つの概念ベース説明可能性手法を用いて,検索した概念データセットをテストする。
論文 参考訳（メタデータ） (2024-04-10T13:47:22Z) - CEIR: Concept-based Explainable Image Representation Learning [0.4198865250277024]
本稿では,概念に基づく説明可能な画像表現(CEIR)を導入し,ラベルに依存しない高品質な表現を導出する。
提案手法は, CIFAR10, CIFAR100, STL10などのベンチマーク上で, 最先端の非教師付きクラスタリング性能を示す。
CEIRは、微調整なしで、オープンワールドイメージから関連概念をシームレスに抽出することができる。
論文 参考訳（メタデータ） (2023-12-17T15:37:41Z) - A Recursive Bateson-Inspired Model for the Generation of Semantic Formal
Concepts from Spatial Sensory Data [77.34726150561087]
本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。
このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。
このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
論文 参考訳（メタデータ） (2023-07-16T15:59:13Z) - ConceptBed: Evaluating Concept Learning Abilities of Text-to-Image
Diffusion Models [79.10890337599166]
本研究では,284のユニークな視覚概念と33Kの合成テキストプロンプトからなる大規模データセットであるConceptBedを紹介する。
我々は、対象、属性、スタイルのいずれかである視覚概念を評価し、また、構成性の4つの次元(計数、属性、関係、行動)を評価する。
私たちの結果は、概念を学ぶことと、既存のアプローチが克服に苦労する構成性を維持することのトレードオフを示しています。
論文 参考訳（メタデータ） (2023-06-07T18:00:38Z) - Human-Centered Concept Explanations for Neural Networks [47.71169918421306]
概念活性化ベクトル(Concept Activation Vectors, CAV)のクラスを含む概念的説明を紹介する。
次に、自動的に概念を抽出するアプローチと、それらの注意事項に対処するアプローチについて議論する。
最後に、このような概念に基づく説明が、合成設定や実世界の応用において有用であることを示すケーススタディについて論じる。
論文 参考訳（メタデータ） (2022-02-25T01:27:31Z) - Formalising Concepts as Grounded Abstractions [68.24080871981869]
このレポートは、表現学習が生データから概念を誘導する方法を示しています。
このレポートの主な技術的目標は、表現学習のテクニックが概念空間の格子理論的定式化とどのように結婚できるかを示すことである。
論文 参考訳（メタデータ） (2021-01-13T15:22:01Z) - Interpretable Visual Reasoning via Induced Symbolic Space [75.95241948390472]
視覚的推論における概念誘導の問題,すなわち,画像に関連付けられた質問応答対から概念とその階層的関係を同定する。
我々はまず,オブジェクトレベルの視覚的特徴を持つ視覚的推論タスクを実行するために,オブジェクト指向合成注意モデル(OCCAM)という新しいフレームワークを設計する。
そこで我々は,対象の視覚的特徴と質問語の間の注意パターンから手がかりを用いて,対象と関係の概念を誘導する手法を考案した。
論文 参考訳（メタデータ） (2020-11-23T18:21:49Z)
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。