Fugu-MT 論文翻訳(概要): Neuro-Symbolic RDF and Description Logic Reasoners: The State-Of-The-Art and Challenges

論文の概要: Neuro-Symbolic RDF and Description Logic Reasoners: The State-Of-The-Art and Challenges

arxiv url: http://arxiv.org/abs/2308.04814v1
Date: Wed, 9 Aug 2023 09:12:35 GMT
ステータス: 処理完了
システム内更新日: 2023-08-10 14:21:39.702767
Title: Neuro-Symbolic RDF and Description Logic Reasoners: The State-Of-The-Art and Challenges
Title（参考訳）: ニューロシンボリックrdfと記述論理推論--最新技術と課題
Authors: Gunjan Singh, Sumit Bhatia, Raghava Mutharaju
Abstract要約: オントロジーは様々なドメインで使われており、RDFとOWLはドメイン開発における顕著な標準である。推論がより大きく表現力に富むようになると、伝統的な推論者は効率よく行動するのに苦労する。研究者は、ネットワークの学習能力とシステムの推論能力を組み合わせた、ニューロシンボリックアプローチを研究してきた。
参考スコア（独自算出の注目度）: 6.295207672539996
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Ontologies are used in various domains, with RDF and OWL being prominent standards for ontology development. RDF is favored for its simplicity and flexibility, while OWL enables detailed domain knowledge representation. However, as ontologies grow larger and more expressive, reasoning complexity increases, and traditional reasoners struggle to perform efficiently. Despite optimization efforts, scalability remains an issue. Additionally, advancements in automated knowledge base construction have created large and expressive ontologies that are often noisy and inconsistent, posing further challenges for conventional reasoners. To address these challenges, researchers have explored neuro-symbolic approaches that combine neural networks' learning capabilities with symbolic systems' reasoning abilities. In this chapter,we provide an overview of the existing literature in the field of neuro-symbolic deductive reasoning supported by RDF(S), the description logics EL and ALC, and OWL 2 RL, discussing the techniques employed, the tasks they address, and other relevant efforts in this area.
Abstract（参考訳）: オントロジーは様々な領域で使われており、RDFとOWLはオントロジー開発において顕著な標準である。 RDFは単純で柔軟性があり、OWLは詳細なドメイン知識の表現を可能にする。しかし、オントロジーがより大きく、より表現豊かになるにつれて、推論の複雑さは増大し、伝統的な推論者は効率的に実行するのに苦労する。最適化努力にもかかわらず、スケーラビリティは依然として問題である。さらに、自動知識ベース構築の進歩は、しばしば騒々しく一貫性のない、大きく表現力豊かなオントロジーを生み出し、従来の推論者にとってさらなる課題を提起している。これらの課題に対処するために、研究者はニューラルネットワークの学習能力とシンボリックシステムの推論能力を組み合わせたニューロシンボリックアプローチを探求した。本稿では, rdf(s) が支持する神経-シンボリック推論, 記述論理 el と alc, owl 2 rl の分野における既存の文献の概要を述べる。

関連論文リスト

ZebraLogic: On the Scaling Limits of LLMs for Logical Reasoning [92.76959707441954]
我々はLLM推論性能を評価するための総合的な評価フレームワークであるZebraLogicを紹介した。 ZebraLogicは、制御可能で定量化可能な複雑さを持つパズルの生成を可能にする。その結果,複雑性が増大するにつれて,精度が著しく低下することが明らかとなった。
論文参考訳（メタデータ） (2025-02-03T06:44:49Z)
VERUS-LM: a Versatile Framework for Combining LLMs with Symbolic Reasoning [8.867818326729367]
本稿では,ニューロシンボリック推論の新しい枠組みであるVERUS-LMを紹介する。 VERUS-LMは汎用的なプロンプト機構を採用し、クエリからドメイン知識を明確に分離する。提案手法は,LLMを著しく上回る,新しいデータセットの多種多様な推論に成功していることを示す。
論文参考訳（メタデータ） (2025-01-24T14:45:21Z)
TransBox: EL++-closed Ontology Embedding [14.850996103983187]
我々は,多対一,一対多,多対多の関係を扱える効率的なEL++-クロース埋め込み法を開発した。実験により,TransBoxは様々な実世界のデータセットにまたがって最先端のパフォーマンスを実現し,複雑な公理を予測できることを示した。
論文参考訳（メタデータ） (2024-10-18T16:17:10Z)
Enhancing Logical Reasoning in Large Language Models through Graph-based Synthetic Data [53.433309883370974]
本研究では,大規模言語モデルの推論能力を高めるための学習信号としてグラフベースの合成推論データを使用することの可能性と限界について検討する。 2つの確立された自然言語推論タスクにおいて,合成グラフに基づく推論データによる教師付き微調整が,他の標準評価ベンチマークでの有効性を損なうことなく,LLMの推論性能を効果的に向上することを示した。
論文参考訳（メタデータ） (2024-09-19T03:39:09Z)
Explaining Deep Neural Networks by Leveraging Intrinsic Methods [0.9790236766474201]
この論文はeXplainable AIの分野に貢献し、ディープニューラルネットワークの解釈可能性の向上に重点を置いている。中心となる貢献は、これらのネットワークをより解釈しやすくすることを目的とした新しい技術の導入である。第2に、この研究は、訓練された深層ニューラルネットワーク内のニューロンに関する新しい研究を掘り下げ、その活性化値に関連する見過ごされた現象に光を当てた。
論文参考訳（メタデータ） (2024-07-17T01:20:17Z)
Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
コネクショニストと象徴的人工知能(AI)の収束を探求する記事従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
論文参考訳（メタデータ） (2024-07-11T14:00:53Z)
IID Relaxation by Logical Expressivity: A Research Agenda for Fitting Logics to Neurosymbolic Requirements [50.57072342894621]
本稿では、ニューロシンボリック・ユースケースにおける既知のデータ依存と分布制約を利用する利点について論じる。これは、ニューロシンボリックな背景知識と、その論理に必要とされる表現性に関する一般的な疑問を伴う新しい研究課題を開く。
論文参考訳（メタデータ） (2024-04-30T12:09:53Z)
Towards LogiGLUE: A Brief Survey and A Benchmark for Analyzing Logical Reasoning Capabilities of Language Models [56.34029644009297]
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。 LLMは誘導的推論において最も優れているが、誘導的推論では最も効果が低い。モデルの性能を評価するため,シングルタスクトレーニング,マルチタスクトレーニング,および「チェーンオブ思考」知識蒸留細調整技術について検討した。
論文参考訳（メタデータ） (2023-10-02T01:00:50Z)
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)
Beyond Traditional Neural Networks: Toward adding Reasoning and Learning Capabilities through Computational Logic Techniques [0.0]
本研究では,知識注入プロセスを改善し,MLとロジックの要素をマルチエージェントシステムに統合する手法を提案する。 Neuro-Symbolic AIは、ニューラルネットワークとシンボリック推論の強みを組み合わせた、有望なアプローチとして登場した。
論文参考訳（メタデータ） (2023-08-30T09:09:42Z)
Knowledge-based Analogical Reasoning in Neuro-symbolic Latent Spaces [20.260546238369205]
ニューラルネットワークのパターン認識能力とシンボリック推論と背景知識を組み合わせたフレームワークを提案する。ニューラルアルゴリズム推論」アプローチ [DeepMind 2020] からインスピレーションを得て、問題固有のバックグラウンド知識を使用します。我々は、RAVENのプログレッシブ・マトリクスにおける視覚的類似性の問題でこれを検証し、人間のパフォーマンスと競合する精度を実現する。
論文参考訳（メタデータ） (2022-09-19T04:03:20Z)

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。