論文の概要: Natlog: Embedding Logic Programming into the Python Deep-Learning
Ecosystem
- arxiv url: http://arxiv.org/abs/2308.15890v1
- Date: Wed, 30 Aug 2023 09:05:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 14:04:03.045745
- Title: Natlog: Embedding Logic Programming into the Python Deep-Learning
Ecosystem
- Title(参考訳): Natlog:Pythonのディープラーニングエコシステムにロジックプログラミングを組み込む
- Authors: Paul Tarau (University of North Texas)
- Abstract要約: 等価言語構造とデータ型の間の高レベルな相互作用パターンを両面に設計する。
JAX や Pytorch パイプラインのオーケストレータや DCG 駆動 GPT3 や DALL.E のプロンプトジェネレータとして動作する Natlog アプリによる設計の有効性を示す。
Keyphrases: Pythonエコシステムへのロジックプログラミングの埋め込み、ハイレベルなパラダイム間データ交換、ロジックエンジンとのコルーチン化、ロジックベースのニューロシンボリックコンピューティング、大規模言語モデルのためのプロンプトジェネレータとしてのロジック文法、ロジックベースのニューラルネットワーク構成とトレーニング。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Driven by expressiveness commonalities of Python and our Python-based
embedded logic-based language Natlog, we design high-level interaction patterns
between equivalent language constructs and data types on the two sides.
By directly connecting generators and backtracking, nested tuples and terms,
coroutines and first-class logic engines, reflection and meta-interpretation,
we enable logic-based language constructs to access the full power of the
Python ecosystem.
We show the effectiveness of our design via Natlog apps working as
orchestrators for JAX and Pytorch pipelines and as DCG-driven GPT3 and DALL.E
prompt generators.
Keyphrases: embedding of logic programming in the Python ecosystem,
high-level inter-paradigm data exchanges, coroutining with logic engines,
logic-based neuro-symbolic computing, logic grammars as prompt-generators for
Large Language Models, logic-based neural network configuration and training.
- Abstract(参考訳): PythonとPythonベースの組み込みロジックベースの言語Natlogの表現力の共通性によって駆動され、等価言語の構造とデータ型の間の高レベルな相互作用パターンを設計します。
ジェネレータとバックトラック,ネストしたタプルと用語,コルーチンと一級論理エンジン,リフレクションとメタ解釈を直接接続することで,ロジックベースの言語構造がPythonエコシステムの全パワーにアクセスできるようになる。
JAX や Pytorch パイプラインのオーケストレータとして動作し,DCG 駆動 GPT3 や DALL.E のプロンプトジェネレータとして動作する Natlog アプリによる設計の有効性を示す。
Keyphrases: Pythonエコシステムへのロジックプログラミングの埋め込み、ハイレベルなパラダイム間データ交換、ロジックエンジンとのコルーチン化、ロジックベースのニューロシンボリックコンピューティング、大規模言語モデルのためのプロンプトジェネレータとしてのロジック文法、ロジックベースのニューラルネットワーク構成とトレーニング。
関連論文リスト
- Empower Nested Boolean Logic via Self-Supervised Curriculum Learning [67.46052028752327]
大規模言語モデルを含む事前学習された言語モデルは、多言語論理に直面するランダムセレクタのように振る舞う。
この基本的能力で言語モデルを強化するために,本稿では,新たな自己教師付き学習手法であるtextitCurriculum Logical Reasoning (textscClr) を提案する。
論文 参考訳(メタデータ) (2023-10-09T06:54:02Z) - Natural Language Embedded Programs for Hybrid Language Symbolic
Reasoning [86.92053166457116]
本研究では,数学・記号的推論,自然言語理解,後続の課題に対処するための統合フレームワークとして,自然言語組み込みプログラム(NLEP)を提案する。
我々のアプローチは,構造化知識の自然言語表現を含むデータ構造上の関数を定義する完全なPythonプログラムを生成するよう,言語モデルに促す。
Pythonインタープリタが生成されたコードを実行し、出力をプリントする。
論文 参考訳(メタデータ) (2023-09-19T17:54:21Z) - 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) - Learning Language Representations with Logical Inductive Bias [19.842271716111153]
より優れた言語表現学習のための新しい論理帰納バイアスについて検討する。
我々はこの新たな帰納バイアスを符号化するために、FOLNetという新しいニューラルネットワークを開発した。
変換器の自己アテンションモジュールは2つのニューラルロジック演算子によって構成できることがわかった。
論文 参考訳(メタデータ) (2023-02-19T02:21:32Z) - Category Theory for Quantum Natural Language Processing [0.0]
この論文は、計算言語学と量子力学の類似に基づく量子自然言語処理(QNLP)モデルを導入する。
テキストと文の文法構造は、絡み合い構造が量子系の状態を接続するのと同じように、単語の意味を接続する。
この抽象的なアナロジーを具体的なアルゴリズムに変換し、文法構造をパラメータ化量子回路のアーキテクチャに変換する。
次に、ハイブリッドな古典量子アルゴリズムを用いて、データ駆動タスクにおける文の意味を回路評価によって計算できるようにモデルを訓練する。
論文 参考訳(メタデータ) (2022-12-13T14:38:57Z) - Join-Chain Network: A Logical Reasoning View of the Multi-head Attention
in Transformer [59.73454783958702]
本稿では,多くの結合演算子を連結して出力論理式をモデル化するシンボリック推論アーキテクチャを提案する。
特に,このような結合鎖のアンサンブルが'ツリー構造'の1次論理式であるFOETの広い部分集合を表現できることを実証する。
変圧器における多頭部自己保持モジュールは,確率的述語空間における結合作用素の結合境界を実装する特別なニューラル演算子として理解することができる。
論文 参考訳(メタデータ) (2022-10-06T07:39:58Z) - Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文)
論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。
ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
論文 参考訳(メタデータ) (2022-07-04T14:38:49Z) - 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) - Natlog: a Lightweight Logic Programming Language with a Neuro-symbolic
Touch [0.0]
軽量なロジック言語であるNatlogを紹介し、Prologの統一型実行モデルを共有する。
概念実証のNatlog実装は、Pythonベースのディープラーニングエコシステムにしっかりと組み込まれています。
論文 参考訳(メタデータ) (2021-09-17T01:47:57Z) - 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)
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。