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

• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• VisualPredicator: Learning Abstract World Models with Neuro-Symbolic Predicates for Robot Planning [86.59849798539312]
  本稿では,記号的・神経的知識表現の強みを組み合わせた一階抽象言語Neuro-Symbolic Predicatesを提案する。 提案手法は, サンプルの複雑さの向上, 分布外一般化の強化, 解釈可能性の向上を実現する。
  論文  参考訳（メタデータ） (2024-10-30T16:11:05Z)
• 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)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• 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)
• 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)
• 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。