論文の概要: Learning and Compositionality: a Unification Attempt via Connectionist
Probabilistic Programming
- arxiv url: http://arxiv.org/abs/2208.12789v1
- Date: Fri, 26 Aug 2022 17:20:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 13:02:59.483787
- Title: Learning and Compositionality: a Unification Attempt via Connectionist
Probabilistic Programming
- Title(参考訳): 学習と構成性:コネクショナリスト確率型プログラミングによる統一の試み
- Authors: Ximing Qiao, Hai Li
- Abstract要約: 学習と構成性は人間のような知性をシミュレートする鍵となるメカニズムであると考えている。
本研究では,(学習のための)コネクショナリスト構造と(構成のための)確率的プログラム意味論を結びつけるフレームワークであるコネクショナリスト確率計画(CPP)を提案する。
- 参考スコア(独自算出の注目度): 11.06543250284755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider learning and compositionality as the key mechanisms towards
simulating human-like intelligence. While each mechanism is successfully
achieved by neural networks and symbolic AIs, respectively, it is the
combination of the two mechanisms that makes human-like intelligence possible.
Despite the numerous attempts on building hybrid neuralsymbolic systems, we
argue that our true goal should be unifying learning and compositionality, the
core mechanisms, instead of neural and symbolic methods, the surface approaches
to achieve them. In this work, we review and analyze the strengths and
weaknesses of neural and symbolic methods by separating their forms and
meanings (structures and semantics), and propose Connectionist Probabilistic
Program (CPPs), a framework that connects connectionist structures (for
learning) and probabilistic program semantics (for compositionality). Under the
framework, we design a CPP extension for small scale sequence modeling and
provide a learning algorithm based on Bayesian inference. Although challenges
exist in learning complex patterns without supervision, our early results
demonstrate CPP's successful extraction of concepts and relations from raw
sequential data, an initial step towards compositional learning.
- Abstract(参考訳): 人間の知性をシミュレートするための重要なメカニズムとして,学習と構成性を考える。
それぞれのメカニズムはそれぞれニューラルネットワークとシンボリックAIによって達成されているが、人間のような知性を可能にする2つのメカニズムの組み合わせである。
ハイブリッドなニューラルシンボリックシステムの構築には多くの試みがあったが、真のゴールは学習と構成性を統一することであり、コアメカニズムはニューラル・シンボリックな手法ではなく、表面がそれらを達成するためのアプローチである、と我々は論じている。
本研究では,その形態と意味(構造と意味)を分離し,ニューラルネットワークと記号的手法の強みと弱さを検証し,コネクショナリスト構造(学習用)と確率的プログラムセマンティクス(構成性用)を接続するフレームワークであるコネクショナリスト確率プログラム(CPP)を提案する。
本フレームワークでは,小規模シーケンスモデリングのためのCPP拡張を設計し,ベイズ推定に基づく学習アルゴリズムを提供する。
教師なしの複雑なパターンの学習には課題があるが、初期の結果は、CPPが生のシーケンシャルデータから概念と関係の抽出に成功したことを示している。
関連論文リスト
- Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。
この論文は、この領域の研究に理論的および実践的な貢献を提供する。
論文 参考訳(メタデータ) (2024-02-21T12:16:51Z) - 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) - A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。
GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。
提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
論文 参考訳(メタデータ) (2023-09-16T09:15:37Z) - 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) - The Neural Race Reduction: Dynamics of Abstraction in Gated Networks [12.130628846129973]
本稿では,情報フローの経路が学習力学に与える影響をスキーマ化するGated Deep Linear Networkフレームワークを紹介する。
正確な還元と、特定の場合において、学習のダイナミクスに対する正確な解が導出されます。
我々の研究は、ニューラルネットワークと学習に関する一般的な仮説を生み出し、より複雑なアーキテクチャの設計を理解するための数学的アプローチを提供する。
論文 参考訳(メタデータ) (2022-07-21T12:01:03Z) - Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。
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在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。
NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-05-25T12:41:59Z) - AI Centered on Scene Fitting and Dynamic Cognitive Network [4.228224431041357]
より強力な人工知能を実現するためには、エンドツーエンドの関数計算を変更する必要がある。
また、動的認知ネットワークモデル(DCNet)と呼ばれる具体的なスキームについても論じている。
論文 参考訳(メタデータ) (2020-10-02T06:13:41Z) - Self-organizing Democratized Learning: Towards Large-scale Distributed
Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。
本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。
提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文 参考訳(メタデータ) (2020-07-07T08:34:48Z) - Compositional Generalization by Learning Analytical Expressions [87.15737632096378]
メモリ拡張ニューラルモデルは、合成一般化を達成するために解析式に接続される。
良く知られたベンチマークSCANの実験は、我々のモデルが構成的一般化の優れた能力をつかむことを示した。
論文 参考訳(メタデータ) (2020-06-18T15:50:57Z)
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。