論文の概要: Integrating Symbolic Reasoning into Neural Generative Models for Design Generation

• arxiv url: http://arxiv.org/abs/2310.09383v2
• Date: Thu, 14 Nov 2024 23:18:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:36:09.213121
• 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）: 10.97301490742749
• License:
• 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 samples the set of locations of objects to be generated from a backtrack-free distribution. This distribution modifies the implicit preference distribution, which is learned by a recursive neural network to capture utility and aesthetics. Sampling from the backtrack-free distribution is accomplished by a symbolic reasoning approach, SampleSearch, which zeros out the probability of sampling spatial locations violating explicit user specifications. 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、実用性、利便性に関する暗黙の規則を尊重する必要がある。 ニューラルネットワークによって駆動される現在の自動設計ツールは、魅力的な設計を生成するが、ユーザ仕様やユーティリティ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、画像内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することができない。 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。 空間推論モジュールは、バックトラックフリー分布から生成されるオブジェクトの位置の集合をサンプリングする。 この分布は暗黙の選好分布を変化させ、これは再帰的ニューラルネットワークによって学習され、有用性と美学を捉える。 バックトラックフリー分布からのサンプリングは、明示的なユーザ仕様に違反する空間的位置をサンプリングする確率をゼロにするシンボリック推論アプローチであるSampleSearchによって達成される。 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も優れた性能を示し、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

• Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
  本稿では,重み空間学習におけるSANEアプローチを紹介する。 ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
  論文  参考訳（メタデータ） (2024-06-14T13:12:07Z)
• U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation [48.40120035775506]
  Kolmogorov-Arnold Networks (KAN)は、非線形学習可能なアクティベーション関数のスタックを通じてニューラルネットワーク学習を再構築する。 トークン化中間表現であるU-KAN上に専用kan層を統合することにより,確立したU-Netパイプラインを検証,修正,再設計する。 さらに、拡散モデルにおける代替U-Netノイズ予測器としてのU-KANの可能性を探り、タスク指向モデルアーキテクチャの生成にその適用性を実証した。
  論文  参考訳（メタデータ） (2024-06-05T04:13:03Z)
• 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)
• 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)
• 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。