論文の概要: Neuro-symbolic Commonsense Social Reasoning

• arxiv url: http://arxiv.org/abs/2303.08264v1
• Date: Tue, 14 Mar 2023 22:37:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 15:23:26.866659
• Title: Neuro-symbolic Commonsense Social Reasoning
• Title（参考訳）: ニューロシンボリックコモンセンス社会推論
• Authors: David Chanin, Anthony Hunter
• Abstract要約: 我々は、自然言語の親指(ROT)の社会ルールを、ニューロシンボリック定理証明器を用いて一階述語論理に変換する。 本研究の目的は,社会的状況に対する論理的な推論を行うニューロシンボリックな手法を開発し,評価することである。
• 参考スコア（独自算出の注目度）: 4.111899441919164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social norms underlie all human social interactions, yet formalizing and reasoning with them remains a major challenge for AI systems. We present a novel system for taking social rules of thumb (ROTs) in natural language from the Social Chemistry 101 dataset and converting them to first-order logic where reasoning is performed using a neuro-symbolic theorem prover. We accomplish this in several steps. First, ROTs are converted into Abstract Meaning Representation (AMR), which is a graphical representation of the concepts in a sentence, and align the AMR with RoBERTa embeddings. We then generate alternate simplified versions of the AMR via a novel algorithm, recombining and merging embeddings for added robustness against different wordings of text, and incorrect AMR parses. The AMR is then converted into first-order logic, and is queried with a neuro-symbolic theorem prover. The goal of this paper is to develop and evaluate a neuro-symbolic method which performs explicit reasoning about social situations in a logical form.
• Abstract（参考訳）: 社会的規範はすべての人間の社会的相互作用を裏付けるが、その形式化と推論はaiシステムにとって大きな課題である。 本稿では,社会化学101データセットから自然言語の親指(ROT)の社会ルールを抽出し,その論理を一階述語論理に変換し,ニューロシンボリックな定理証明器を用いて推論を行う新しいシステムを提案する。 これをいくつかのステップで達成します。 まず、ROTを抽象的意味表現(AMR)に変換する。これは文中の概念のグラフィカルな表現であり、AMRをRoBERTa埋め込みと整列させる。 次に,新しいアルゴリズムを用いてAMRの簡易バージョンを生成し,テキストの異なる単語に対するロバスト性を付加した埋め込みとマージを行い,誤ったAMR解析を行う。 AMRはその後一階論理に変換され、ニューロシンボリック定理証明器でクエリされる。 本研究の目的は,社会的状況に対する論理的な推論を行うニューロシンボリック手法を開発し,評価することである。

関連論文リスト

• Extensions to Generalized Annotated Logic and an Equivalent Neural Architecture [4.855957436171202]
  本稿では,ニューロシンボリックシステムに対する望ましい基準のリストを提案し,既存のアプローチのいくつかがこれらの基準にどう対処するかを検討する。 次に、等価なニューラルアーキテクチャの作成を可能にするアノテーション付き一般化論理の拡張を提案する。 トレーニングプロセスの継続的な最適化に依存する従来のアプローチとは異なり、当社のフレームワークは、離散最適化を使用する二項化ニューラルネットワークとして設計されている。
  論文  参考訳（メタデータ） (2023-02-23T17:39:46Z)
• A Survey : Neural Networks for AMR-to-Text [2.190783547168929]
  AMR-to-Textは、抽象的意味表現(AMR)グラフから文を生成することを目的とした、NLPコミュニティの重要なテクニックの1つである。 2013年にAMRが提案されて以来、AMR-to-Textの研究は、構造化データのテキストへの必須の分岐として、ますます広まりつつある。
  論文  参考訳（メタデータ） (2022-06-15T07:20:28Z)
• Transition-based Abstract Meaning Representation Parsing with Contextual Embeddings [0.0]
  本研究では,意味解析のタスクにおいて,言語モデルと記号意味論の定式化という,言語の意味への最も成功したルートを2つ組み合わせる手法について検討する。 本稿では,事前学習した文脈認識単語の埋め込み(BERTやRoBERTaなど)を解析問題に組み込むことの有用性について検討する。
  論文  参考訳（メタデータ） (2022-06-13T15:05:24Z)
• AdaLoGN: Adaptive Logic Graph Network for Reasoning-Based Machine Reading Comprehension [21.741085513119785]
  ReClorやLogiQAといった最近の機械学習の理解データセットでは、テキスト上で論理的推論を行う必要がある。 本稿では, テキスト単位間の論理的関係を表すグラフ上で, 応答を予測し, メッセージを渡すニューラルシンボリックなアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-16T23:51:01Z)
• MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
  テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。 2つの新しい戦略が我々の手法の必須要素である。
  論文  参考訳（メタデータ） (2022-03-01T11:13:00Z)
• Neuro-Symbolic Reinforcement Learning with First-Order Logic [63.003353499732434]
  論理ニューラルネットワークと呼ばれる最近のニューラルシンボリック・フレームワークを用いたテキストベースゲームのための新しいRL手法を提案する。 実験の結果,提案手法を用いたRLトレーニングは,TextWorldベンチマークにおいて,他の最先端のニューロシンボリック手法よりもはるかに高速に収束することがわかった。
  論文  参考訳（メタデータ） (2021-10-21T08:21:49Z)
• Abstract Reasoning via Logic-guided Generation [65.92805601327649]
  抽象的推論、すなわち、与えられた観測から複雑なパターンを推測することは、人工知能の中心的な構成要素である。 本稿では,後者のアプローチの枠組みを設計し,人工知能と人間の知能のギャップを埋めることを目的とする。 本稿では,提案する論理の最適化問題として,抽象的推論を削減した新しい生成型DNNフレームワークであるLoGeを提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:28:24Z)
• A HINT from Arithmetic: On Systematic Generalization of Perception, Syntax, and Semantics [112.76185821895037]
  我々は、知覚、構文、および意味論の3つの異なるレベルで一般化可能な概念を学習する機械の能力を研究します。 本稿では,ニューラルネットワークと文法解析とプログラム合成を統合したニューラルシンボリックシステムを提案する。 実験では、提案されたニューラルシンボリックシステムは強力な一般化能力を示し、RNNやTransformerのようなエンドツーエンドのニューラルメソッドを大幅に上回る。
  論文  参考訳（メタデータ） (2021-03-02T01:32:54Z)
• Logic Tensor Networks [9.004005678155023]
  学習と推論をサポートする神経シンボリック形式論と計算モデルであるLogic Networks(LTN)を提示する。 LTNがいくつかのAIタスクの仕様と計算に一様言語を提供することを示す。
  論文  参考訳（メタデータ） (2020-12-25T22:30:18Z)
• Question Answering over Knowledge Bases by Leveraging Semantic Parsing and Neuro-Symbolic Reasoning [73.00049753292316]
  本稿では,意味解析と推論に基づくニューロシンボリック質問回答システムを提案する。 NSQAはQALD-9とLC-QuAD 1.0で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） (2020-12-03T05:17:55Z)
• Closed Loop Neural-Symbolic Learning via Integrating Neural Perception, Grammar Parsing, and Symbolic Reasoning [134.77207192945053]
  従来の手法は強化学習アプローチを用いてニューラルシンボリックモデルを学ぶ。 我々は,脳神経知覚と記号的推論を橋渡しする前に,textbfgrammarモデルをテキストシンボリックとして導入する。 本稿では,トップダウンのヒューマンライクな学習手順を模倣して誤りを伝播する新しいtextbfback-searchアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:42:49Z)

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。