論文の概要: Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2308.12595v1
• Date: Thu, 24 Aug 2023 06:50:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 14:55:26.183687
• Title: Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation
• Title（参考訳）: 半教師付き意味セグメンテーションに対する論理的推論
• Authors: Chen Liang, Wenguan Wang, Jiaxu Miao, Yi Yang
• Abstract要約: LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
• 参考スコア（独自算出の注目度）: 85.12429517510311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in semi-supervised semantic segmentation have been heavily reliant on pseudo labeling to compensate for limited labeled data, disregarding the valuable relational knowledge among semantic concepts. To bridge this gap, we devise LogicDiag, a brand new neural-logic semi-supervised learning framework. Our key insight is that conflicts within pseudo labels, identified through symbolic knowledge, can serve as strong yet commonly ignored learning signals. LogicDiag resolves such conflicts via reasoning with logic-induced diagnoses, enabling the recovery of (potentially) erroneous pseudo labels, ultimately alleviating the notorious error accumulation problem. We showcase the practical application of LogicDiag in the data-hungry segmentation scenario, where we formalize the structured abstraction of semantic concepts as a set of logic rules. Extensive experiments on three standard semi-supervised semantic segmentation benchmarks demonstrate the effectiveness and generality of LogicDiag. Moreover, LogicDiag highlights the promising opportunities arising from the systematic integration of symbolic reasoning into the prevalent statistical, neural learning approaches.
• Abstract（参考訳）: 半教師付きセマンティックセグメンテーションの最近の進歩は、意味概念間の価値ある関係知識を無視して、限定ラベル付きデータの補償に擬似ラベリングに大きく依存している。 このギャップを埋めるため、新しいニューラル論理型半教師付き学習フレームワークであるLogicDiagを考案した。 我々の重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能するということである。 LogicDiagは、ロジックによって引き起こされた診断を推論することで、(潜在的に)誤った擬似ラベルの回復を可能にし、悪名高いエラー蓄積問題を緩和する。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について述べる。 3つの標準半教師付きセマンティクスセグメンテーションベンチマークに関する広範な実験は、logicdiagの有効性と汎用性を示している。 さらにLogicDiagは、象徴的推論を一般的な統計的、ニューラルネットワークアプローチに体系的に統合することによって生じる有望な機会を強調している。

関連論文リスト

• Neuro-symbolic Learning Yielding Logical Constraints [22.649543443988712]
  ニューロシンボリックシステムのエンドツーエンドの学習は、まだ未解決の課題である。 本稿では,ネットワーク,シンボル接地,論理的制約合成を両立させるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-28T12:18:25Z)
• Semantic Objective Functions: A distribution-aware method for adding logical constraints in deep learning [4.854297874710511]
  制約付き学習と知識蒸留技術は有望な結果を示した。 本稿では,機械学習モデルに知識を付加した論理的制約を組み込むロスベース手法を提案する。 本手法は,論理的制約のある分類タスクを含む,様々な学習課題において評価する。
  論文  参考訳（メタデータ） (2024-05-03T19:21:47Z)
• Learning with Logical Constraints but without Shortcut Satisfaction [23.219364371311084]
  論理的制約による学習のための新しいフレームワークを提案する。 具体的には、論理接続のための双対変数を導入することで、ショートカット満足度問題に対処する。 本稿では,符号化された論理制約を分布損失として表現する変分フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-01T07:17:20Z)
• 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)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• LogiGAN: Learning Logical Reasoning via Adversarial Pre-training [58.11043285534766]
  本稿では,言語モデルの論理的推論能力を向上させるために,教師なしの対人事前学習フレームワークLogiGANを提案する。 人間の学習におけるリフレクティブ思考の促進効果に着想を得て,逆生成検証アーキテクチャを用いて学習思考過程をシミュレートする。 LogiGANで事前トレーニングされたベースモデルと大規模言語モデルの両方で、12のデータセットで明らかなパフォーマンス改善が示されている。
  論文  参考訳（メタデータ） (2022-05-18T08:46:49Z)
• Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction [54.06292969184476]
  シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。 本手法では,論理文の正確な意味を捉える意味的損失を用いる。 低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-20T00:16:29Z)
• 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)
• Analyzing Differentiable Fuzzy Logic Operators [3.4806267677524896]
  ファジィ論理文からの論理演算子の大規模な集合が、微分可能な学習環境でどのように振る舞うかを考察する。 半教師付き学習において微分可能なファジィ論理を用いることが可能であることを示し、実際に異なる演算子がどのように振る舞うかを比較する。
  論文  参考訳（メタデータ） (2020-02-14T16:11:36Z)

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。