論文の概要: Logical Tasks for Measuring Extrapolation and Rule Comprehension
- arxiv url: http://arxiv.org/abs/2211.07727v1
- Date: Mon, 14 Nov 2022 19:55:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 13:33:51.953212
- Title: Logical Tasks for Measuring Extrapolation and Rule Comprehension
- Title(参考訳): 外挿・規則理解のための論理課題
- Authors: Ippei Fujisawa, Ryota Kanai
- Abstract要約: 論理的タスクを定義し,そのソリューションのシステム要件について議論する。
本稿では,外挿,説明可能性,帰納バイアスといった概念に対する論理的タスクの関連性について論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Logical reasoning is essential in a variety of human activities. A
representative example of a logical task is mathematics. Recent large-scale
models trained on large datasets have been successful in various fields, but
their reasoning ability in arithmetic tasks is limited, which we reproduce
experimentally. Here, we recast this limitation as not unique to mathematics
but common to tasks that require logical operations. We then propose a new set
of tasks, termed logical tasks, which will be the next challenge to address.
This higher point of view helps the development of inductive biases that have
broad impact beyond the solution of individual tasks. We define and
characterize logical tasks and discuss system requirements for their solution.
Furthermore, we discuss the relevance of logical tasks to concepts such as
extrapolation, explainability, and inductive bias. Finally, we provide
directions for solving logical tasks.
- Abstract(参考訳): 論理的推論は様々な人間の活動に不可欠である。
論理タスクの代表的な例は数学である。
近年,大規模データセットで訓練された大規模モデルは様々な分野で成功しているが,算術的タスクにおける推論能力は限られており,実験的に再現されている。
ここでは、この制限は数学に固有のものではなく、論理演算を必要とするタスクに共通していると再考する。
次に、次に対処すべき課題となる、論理的タスクと呼ばれる新しいタスクセットを提案する。
このより高い視点は、個々のタスクのソリューションを越えて幅広い影響を持つ帰納的バイアスの開発に役立つ。
論理的タスクを定義し,そのソリューションのシステム要件について議論する。
さらに,外挿,説明可能性,帰納バイアスといった概念に対する論理タスクの関連性について考察する。
最後に、論理的タスクの解法を提供する。
関連論文リスト
- Caught in the Quicksand of Reasoning, Far from AGI Summit: Evaluating
LLMs' Mathematical and Coding Competency through Ontology-guided
Interventions [50.68293377521595]
大規模言語モデル(LLM)は論理的推論ベンチマークで顕著な結果を示した。
算術的推論とコード生成という,2つの一般的な推論タスクに注目します。
質問に対して、すべてのモデルで大幅なパフォーマンス低下を見せています。
論文 参考訳(メタデータ) (2024-01-17T18:13:07Z) - Towards LogiGLUE: A Brief Survey and A Benchmark for Analyzing Logical
Reasoning Capabilities of Language Models [58.76688462256284]
大規模言語モデル(LLM)は、形式的知識表現(KR)システムの様々な制限を克服する能力を示した。
一つのタスクトレーニング,複数タスクトレーニング,および思考知識の蒸留微調整手法の連鎖について検討し,異なる論理的推論カテゴリにおけるモデルの性能を評価する。
論文 参考訳(メタデータ) (2023-10-02T01:00:50Z) - Faith and Fate: Limits of Transformers on Compositionality [109.79516190693415]
3つの代表的構成課題にまたがる変圧器大言語モデルの限界について検討する。
これらのタスクは、問題をサブステップに分割し、これらのステップを正確な答えに合成する必要があります。
実験結果から,多段階合成推論を線形化部分グラフマッチングに還元することにより,トランスフォーマーLLMが構成課題を解くことが示唆された。
論文 参考訳(メタデータ) (2023-05-29T23:24:14Z) - Learning Iterative Reasoning through Energy Minimization [77.33859525900334]
ニューラルネットワークを用いた反復推論のための新しいフレームワークを提案する。
すべての出力に対してエネルギーランドスケープをパラメータ化するために、ニューラルネットワークをトレーニングします。
エネルギー最小化ステップとして反復推論の各ステップを実装し,最小限のエネルギー解を求める。
論文 参考訳(メタデータ) (2022-06-30T17:44:20Z) - Joint Abductive and Inductive Neural Logical Reasoning [44.36651614420507]
結合誘導型および誘導型ニューラル論理推論(AI-NLR)の問題点を定式化する。
まず、概念の源を提供するために、記述論理に基づく存在論的公理を組み込む。
そして、概念とクエリをファジィ集合として表現し、すなわち、要素がメンバシップの度合いを持つ集合を概念とクエリをエンティティでブリッジする。
論文 参考訳(メタデータ) (2022-05-29T07:41:50Z) - Planner-Reasoner Inside a Multi-task Reasoning Agent [21.60071551321834]
エージェントが(一階述語)論理推論によって複数のタスクを解くことができるマルチタスク推論(MTR)の問題を考察する。
MTR対応エージェントは、多様なタスクに取り組むために、大量の"スキル"をマスターする必要がある。
本稿では,最先端のMTR能力と高効率性を実現するPlanner-Reasonerフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-01T16:22:19Z) - Neural Logic Reasoning [47.622957656745356]
本稿では,ディープラーニングと論理推論の能力を統合するために,論理統合ニューラルネットワーク(LINN)を提案する。
LINNは、神経モジュールとしてAND、OR、NOTなどの基本的な論理操作を学び、推論のためにネットワークを通して命題論理推論を行う。
実験の結果、LINNはTop-Kレコメンデーションにおいて最先端のレコメンデーションモデルを大幅に上回っていることがわかった。
論文 参考訳(メタデータ) (2020-08-20T14:53:23Z) - Machine Number Sense: A Dataset of Visual Arithmetic Problems for
Abstract and Relational Reasoning [95.18337034090648]
文法モデルを用いて自動生成される視覚的算術問題からなるデータセット、MNS(Machine Number Sense)を提案する。
これらの視覚的算術問題は幾何学的フィギュアの形をしている。
我々は、この視覚的推論タスクのベースラインとして、4つの主要なニューラルネットワークモデルを用いて、MNSデータセットをベンチマークする。
論文 参考訳(メタデータ) (2020-04-25T17:14:58Z) - A Boolean Task Algebra for Reinforcement Learning [14.731788603429774]
タスクの論理的構成をブール代数として定式化する。
目標志向の値関数を学習することで,エージェントが新たなタスクを学習せずに解決できることが示される。
論文 参考訳(メタデータ) (2020-01-06T04:46:25Z)
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。