論文の概要: Statistical relational learning and neuro-symbolic AI: what does first-order logic offer?

• arxiv url: http://arxiv.org/abs/2306.13660v1
• Date: Thu, 8 Jun 2023 12:34:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-02 13:45:03.617606
• Title: Statistical relational learning and neuro-symbolic AI: what does first-order logic offer?
• Title（参考訳）: 統計的リレーショナル学習とニューロシンボリックAI:一階述語論理とは何か?
• Authors: Vaishak Belle
• Abstract要約: 我々の目的は、非技術的手法で(確率的な)知識を表現するために(一階述語)論理を使うことの論理的および哲学的基礎を短時間に調査し、明確にすることである。 機械学習の研究者たちは、なぜ研究コミュニティがリレーショナル表現に関心を持っているのかを知らないため、この記事は穏やかな紹介として役立てることができる。 学習分野の新参者である論理専門家にとって、そのような論文は、有限と無限の違いをナビゲートし、主観的確率とランダムな世界意味論の違いをナビゲートするのに役立ちます。
• 参考スコア（独自算出の注目度）: 12.47276164048813
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, our aim is to briefly survey and articulate the logical and philosophical foundations of using (first-order) logic to represent (probabilistic) knowledge in a non-technical fashion. Our motivation is three fold. First, for machine learning researchers unaware of why the research community cares about relational representations, this article can serve as a gentle introduction. Second, for logical experts who are newcomers to the learning area, such an article can help in navigating the differences between finite vs infinite, and subjective probabilities vs random-world semantics. Finally, for researchers from statistical relational learning and neuro-symbolic AI, who are usually embedded in finite worlds with subjective probabilities, appreciating what infinite domains and random-world semantics brings to the table is of utmost theoretical import.
• Abstract（参考訳）: 本稿では、(一階述語)論理を用いて(確率的)知識を非技術的に表現する論理的・哲学的基礎を簡潔に調査・明瞭化することを目的とする。 私たちの動機は3倍です。 まず、なぜ研究コミュニティがリレーショナル表現に関心を持っているのかを知らない機械学習研究者にとって、この記事は穏やかな紹介となる。 第二に、学習領域に新参する論理専門家にとって、そのような記事は有限と無限の差と主観的確率とランダムな世界の意味論をナビゲートするのに役立ちます。 最後に、統計リレーショナル学習とニューロシンボリックAIの研究者は、通常、主観的確率を持つ有限の世界に埋め込まれ、無限のドメインとランダムな世界意味論がテーブルにもたらすものを理解することは、最も理論的インポートである。

関連論文リスト

• Machine learning and information theory concepts towards an AI Mathematician [77.63761356203105]
  人工知能の現在の最先端技術は、特に言語習得の点で印象的だが、数学的推論の点ではあまり重要ではない。 このエッセイは、現在のディープラーニングが主にシステム1の能力で成功するという考えに基づいている。 興味深い数学的ステートメントを構成するものについて質問するために、情報理論的な姿勢を取る。
  論文  参考訳（メタデータ） (2024-03-07T15:12:06Z)
• Three Pathways to Neurosymbolic Reinforcement Learning with Interpretable Model and Policy Networks [4.242435932138821]
  我々は、解釈可能なセマンティクスをアーキテクチャに直接組み込むニューラルネットワークのクラスについて研究する。 我々は、論理、シミュレーション、学習を組み合わせることの潜在的な難しさと重要な難しさを明らかにし、強調する。
  論文  参考訳（メタデータ） (2024-02-07T23:00:24Z)
• LINC: A Neurosymbolic Approach for Logical Reasoning by Combining Language Models with First-Order Logic Provers [60.009969929857704]
  論理的推論は、科学、数学、社会に潜在的影響を与える可能性のある人工知能にとって重要なタスクである。 本研究では、LINCと呼ばれるモジュール型ニューロシンボリックプログラミングのようなタスクを再構成する。 我々は,FOLIOとProofWriterのバランスの取れたサブセットに対して,ほぼすべての実験条件下で,3つの異なるモデルに対して顕著な性能向上を観察した。
  論文  参考訳（メタデータ） (2023-10-23T17:58:40Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• A Simple Generative Model of Logical Reasoning and Statistical Learning [0.6853165736531939]
  統計的学習と論理的推論は、AIの2つの主要な分野であり、人間のようなマシンインテリジェンスに統一されることが期待されている。 本稿では、論理的推論と統計的学習の単純なベイズモデルを提案する。 我々は、形式論理におけるその満足度の観点から、データがどのように象徴的知識を引き起こすかをモデル化する。
  論文  参考訳（メタデータ） (2023-05-18T16:34:51Z)
• Neuro-Symbolic Forward Reasoning [19.417231973682366]
  Neuro-Symbolic Forward Reasoner (NSFR) は、一階述語論理を用いた微分フォワードチェインを利用したタスク推論の新しいアプローチである。 鍵となるアイデアは、差別化可能なフォワードチェイン推論とオブジェクト中心(ディープ)学習を組み合わせることです。
  論文  参考訳（メタデータ） (2021-10-18T15:14:58Z)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)
• Logical Neural Networks [51.46602187496816]
  ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。 すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。 推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
  論文  参考訳（メタデータ） (2020-06-23T16:55:45Z)
• Logic, Probability and Action: A Situation Calculus Perspective [12.47276164048813]
  論理と確率の統一は、AIにおける長年の関心事である。 現状計算における論理・確率・行動の統合に関する最近の結果について考察する。 結果は認知ロボティクスの文脈で動機づけられる。
  論文  参考訳（メタデータ） (2020-06-17T13:49:53Z)
• Symbolic Logic meets Machine Learning: A Brief Survey in Infinite Domains [12.47276164048813]
  推論と帰納の緊張は、おそらく哲学、認知、人工知能といった分野において最も根本的な問題である。 本稿では,論理の限界に対する見解に挑戦する結果について報告し,無限領域での学習において論理が果たす役割を明らかにする。
  論文  参考訳（メタデータ） (2020-06-15T15:29:49Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)

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。