論文の概要: Integrating Symbolic Reasoning into Neural Generative Models for Design
Generation
- arxiv url: http://arxiv.org/abs/2310.09383v1
- Date: Fri, 13 Oct 2023 20:03:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 20:43:16.467321
- Title: Integrating Symbolic Reasoning into Neural Generative Models for Design
Generation
- Title(参考訳): デザイン生成のためのニューラル生成モデルへのシンボリック推論の統合
- Authors: Maxwell Joseph Jacobson, Yexiang Xue
- Abstract要約: 設計生成には、ニューラルネットワークとシンボリック推論の緊密な統合が必要である。
本稿では,デザイン生成のための空間共振統合発電機(SPRing)について紹介する。
SPRingは、ディープジェネレーションネットワーク内に、ニューラルで象徴的な統合空間推論モジュールを組み込む。
- 参考スコア(独自算出の注目度): 12.963163500336066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Design generation requires tight integration of neural and symbolic
reasoning, as good design must meet explicit user needs and honor implicit
rules for aesthetics, utility, and convenience. Current automated design tools
driven by neural networks produce appealing designs, but cannot satisfy user
specifications and utility requirements. Symbolic reasoning tools, such as
constraint programming, cannot perceive low-level visual information in images
or capture subtle aspects such as aesthetics. We introduce the Spatial
Reasoning Integrated Generator (SPRING) for design generation. SPRING embeds a
neural and symbolic integrated spatial reasoning module inside the deep
generative network. The spatial reasoning module decides the locations of
objects to be generated in the form of bounding boxes, which are predicted by a
recurrent neural network and filtered by symbolic constraint satisfaction.
Embedding symbolic reasoning into neural generation guarantees that the output
of SPRING satisfies user requirements. Furthermore, SPRING offers
interpretability, allowing users to visualize and diagnose the generation
process through the bounding boxes. SPRING is also adept at managing novel user
specifications not encountered during its training, thanks to its proficiency
in zero-shot constraint transfer. Quantitative evaluations and a human study
reveal that SPRING outperforms baseline generative models, excelling in
delivering high design quality and better meeting user specifications.
- Abstract(参考訳): 優れた設計は明示的なユーザニーズを満たし、美学、有用性、利便性のための暗黙のルールを尊重しなければならない。
ニューラルネットワークが駆動する現在の自動設計ツールは魅力的なデザインを生み出すが、ユーザ仕様や実用要件を満たすことはできない。
制約プログラミングのようなシンボリック推論ツールは、画像中の低レベルの視覚情報を知覚したり、美学のような微妙な側面を捉えたりできない。
デザイン生成のための空間共振統合発電機(SPRing)を提案する。
springはディープジェネレーティブネットワーク内に、ニューラルネットワークとシンボリックな統合空間推論モジュールを埋め込んでいる。
空間推論モジュールは、リカレントニューラルネットワークによって予測され、シンボリック制約満足度によってフィルタリングされるバウンディングボックスの形式で生成されたオブジェクトの位置を決定する。
シンボリック推論をニューラルジェネレーションに組み込むことで、SPRINGの出力がユーザ要求を満たすことが保証される。
さらに、SPRINGは解釈可能性を提供し、ユーザーはバウンディングボックスを通じて生成プロセスを視覚化し、診断することができる。
SPRINGは、ゼロショット制約転送の習熟性のおかげで、トレーニング中に遭遇しない新しいユーザ仕様の管理にも適しています。
定量的評価と人間による研究により、SPRingはベースライン生成モデルより優れ、高い設計品質とより良いユーザ仕様を提供する。
関連論文リスト
- The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。
ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。
新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
論文 参考訳(メタデータ) (2024-02-02T20:33:14Z) - 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 Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳(メタデータ) (2023-05-26T02:52:12Z) - Symbolic Synthesis of Neural Networks [0.0]
グラフベース合成ニューラルネットワーク(GSSNN)について
GSSNNは、トポロジとパラメータがシンボルプログラムの出力によって通知されるニューラルネットワークの一種である。
人口レベルでシンボリック抽象化を開発することで、局所的特徴や離散的特徴を含む少数のデータを用いて、改良された一般化の信頼性の高いパターンを導出できることを実証する。
論文 参考訳(メタデータ) (2023-03-06T18:13:14Z) - 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) - Neuro-Symbolic Causal Reasoning Meets Signaling Game for Emergent
Semantic Communications [71.63189900803623]
創発的SCシステムフレームワークを提案し,創発的言語設計のためのシグナリングゲームと因果推論のためのニューロシンボリック(NeSy)人工知能(AI)アプローチで構成されている。
ESCシステムは、意味情報、信頼性、歪み、類似性の新たな指標を強化するように設計されている。
論文 参考訳(メタデータ) (2022-10-21T15:33:37Z) - Privacy-preserving machine learning with tensor networks [50.591267188664666]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。
まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。
このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文 参考訳(メタデータ) (2022-02-24T19:04:35Z) - Self Reward Design with Fine-grained Interpretability [0.0]
Deep Reinforcement Learningにおける透明性と公平性の問題は、ディープニューラルネットワークのブラックボックスの性質に起因している可能性がある。
本稿では,ニューラルネットワークのボトムアップ設計を詳細に解釈可能な方法で回避する方法を提案する。
論文 参考訳(メタデータ) (2021-12-30T12:41:53Z) - Neural-Symbolic Integration for Interactive Learning and Conceptual
Grounding [1.14219428942199]
本稿では,抽象概念の説明と対話型学習のためのニューラルシンボリック統合を提案する。
ユーザとのインタラクションは、ニューラルモデルのリビジョンを確認または拒否する。
このアプローチはLogic NetworkフレームワークとConcept Activation Vectorsを使って説明され、Conal Neural Networkに適用される。
論文 参考訳(メタデータ) (2021-12-22T11:24:48Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳(メタデータ) (2020-07-03T01:37:16Z)
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。