論文の概要: Emulating the Human Mind: A Neural-symbolic Link Prediction Model with
Fast and Slow Reasoning and Filtered Rules
- arxiv url: http://arxiv.org/abs/2310.13996v1
- Date: Sat, 21 Oct 2023 12:45:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 04:08:18.510663
- Title: Emulating the Human Mind: A Neural-symbolic Link Prediction Model with
Fast and Slow Reasoning and Filtered Rules
- Title（参考訳）: 人間の心をエミュレートする:高速・低速推論とフィルタ規則を用いたニューラルシンボリックリンク予測モデル
- Authors: Mohammad Hossein Khojasteh, Najmeh Torabian, Ali Farjami, Saeid
Hosseini, Behrouz Minaei-Bidgoli
- Abstract要約: 本稿では,FaSt-FLiPというニューラル・シンボリックモデルを提案する。
我々の目標は、リンク予測の強化のための論理モデルとニューラルモデルを組み合わせることである。
- 参考スコア（独自算出の注目度）: 4.979279893937017
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Link prediction is an important task in addressing the incompleteness problem
of knowledge graphs (KG). Previous link prediction models suffer from issues
related to either performance or explanatory capability. Furthermore, models
that are capable of generating explanations, often struggle with erroneous
paths or reasoning leading to the correct answer. To address these challenges,
we introduce a novel Neural-Symbolic model named FaSt-FLiP (stands for Fast and
Slow Thinking with Filtered rules for Link Prediction task), inspired by two
distinct aspects of human cognition: "commonsense reasoning" and "thinking,
fast and slow." Our objective is to combine a logical and neural model for
enhanced link prediction. To tackle the challenge of dealing with incorrect
paths or rules generated by the logical model, we propose a semi-supervised
method to convert rules into sentences. These sentences are then subjected to
assessment and removal of incorrect rules using an NLI (Natural Language
Inference) model. Our approach to combining logical and neural models involves
first obtaining answers from both the logical and neural models. These answers
are subsequently unified using an Inference Engine module, which has been
realized through both algorithmic implementation and a novel neural model
architecture. To validate the efficacy of our model, we conducted a series of
experiments. The results demonstrate the superior performance of our model in
both link prediction metrics and the generation of more reliable explanations.
- Abstract（参考訳）: リンク予測は知識グラフ(KG)の不完全性問題に対処する上で重要な課題である。
以前のリンク予測モデルは、性能または説明能力のどちらかに関連する問題に苦しむ。
さらに、説明を生成できるモデルは、しばしば誤った経路や推論に苦しむため、正しい答えにつながる。
これらの課題に対処するために,我々は,「常識推論」と「思考,速さ,遅さ」という,人間の認知の2つの異なる側面に着想を得た,新しいニューラル・シンボリックモデルFaSt-FLiPを紹介した。
我々の目標は、リンク予測の強化のための論理モデルとニューラルモデルを組み合わせることである。
論理モデルが生成した誤った経路や規則に対処する上で,ルールを文に変換する半教師付き手法を提案する。
これらの文は、NLI(Natural Language Inference)モデルを用いて、誤った規則の評価と削除を受ける。
論理モデルとニューラルモデルを組み合わせるアプローチでは、まず論理モデルとニューラルモデルの両方から回答を得る。
これらの答えはその後、アルゴリズムの実装と新しいニューラルモデルアーキテクチャの両方を通じて実現された推論エンジンモジュールを使用して統合される。
モデルの有効性を検証するために,我々は一連の実験を行った。
その結果,リンク予測指標とより信頼性の高い説明の生成において,モデルの優れた性能を示すことができた。
関連論文リスト
- Longer Fixations, More Computation: Gaze-Guided Recurrent Neural
Networks [12.57650361978445]
人間はさまざまなペースでテキストを読み、機械学習モデルはそれぞれのトークンを同じように扱う。
本稿では,この直感を固定誘導並列RNNやレイヤを用いた新しいモデルに変換する。
興味深いことに、ニューラルネットワークによって予測される固定期間は、人間の固定と多少似ている。
論文 参考訳（メタデータ） (2023-10-31T21:32:11Z) - A Self-Adaptive Penalty Method for Integrating Prior Knowledge
Constraints into Neural ODEs [3.072340427031969]
本稿では,制約付き自然系のモデリングを可能にするために,ニューラルネットワークの自己適応型ペナルティアルゴリズムを提案する。
提案手法は3つの自然系を事前の知識制約でモデル化することで検証する。
自己適応型ペナルティアプローチは、信頼性と有意義な予測を備えたより正確で堅牢なモデルを提供する。
論文 参考訳（メタデータ） (2023-07-27T15:32:02Z) - Faithfulness Tests for Natural Language Explanations [87.01093277918599]
ニューラルモデルの説明は、その予測のためのモデルの意思決定プロセスを明らかにすることを目的としている。
近年の研究では,サリエンシマップやファクトファクトファクトダクトなどの説明を行う手法が誤解を招く可能性があることが示されている。
本研究は,自然言語の説明の忠実さを評価する上での課題について考察する。
論文 参考訳（メタデータ） (2023-05-29T11:40:37Z) - NELLIE: A Neuro-Symbolic Inference Engine for Grounded, Compositional, and Explainable Reasoning [59.16962123636579]
本稿では,Prologベースの推論エンジンを新たに提案する。
我々は手作りのルールを、ニューラルネットワークモデリング、ガイド付き生成、半密検索の組み合わせで置き換える。
我々の実装であるNELLIEは、完全に解釈可能なエンドツーエンドの基底QAを示す最初のシステムである。
論文 参考訳（メタデータ） (2022-09-16T00:54:44Z) - Improving Coherence and Consistency in Neural Sequence Models with
Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。
強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
論文 参考訳（メタデータ） (2021-07-06T17:59:49Z) - Neural Unsupervised Semantic Role Labeling [48.69930912510414]
セマンティックロールラベリングのための最初の神経教師なしモデルを提案する。
タスクを2つの引数関連サブタスク、識別とクラスタリングとして分解する。
CoNLL-2009英語データセットの実験では、我々のモデルは過去の最先端のベースラインよりも優れていた。
論文 参考訳（メタデータ） (2021-04-19T04:50:16Z) - Learning to Rationalize for Nonmonotonic Reasoning with Distant
Supervision [44.32874972577682]
モデル予測を説明する自然言語の理性について,ニューラルモデルが判断できる範囲について検討する。
トレーニング済みの言語モデル、ニューラルナレッジモデル、関連するタスクからの遠隔監視を使用します。
我々のモデルは、追加情報から推論が多かれ少なかれ起こりそうな理由を説明するポストホック論理を生成することを約束している。
論文 参考訳（メタデータ） (2020-12-14T23:50:20Z) - Exploring End-to-End Differentiable Natural Logic Modeling [21.994060519995855]
ニューラルネットワークに自然言語を統合する、エンドツーエンドでトレーニングされた差別化可能なモデルについて検討する。
提案モデルでは,モジュールネットワークを用いて自然言語操作をモデル化し,メモリコンポーネントで拡張してコンテキスト情報をモデル化する。
論文 参考訳（メタデータ） (2020-11-08T18:18:15Z) - Understanding Neural Abstractive Summarization Models via Uncertainty [54.37665950633147]
seq2seq抽象要約モデルは、自由形式の方法でテキストを生成する。
モデルのトークンレベルの予測のエントロピー、すなわち不確実性について検討する。
要約とテキスト生成モデルをより広範囲に解析する上で,不確実性は有用であることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:57:27Z) - Multi-Step Inference for Reasoning Over Paragraphs [95.91527524872832]
テキスト上の複雑な推論には、自由形式の述語と論理的な連結体を理解し、連鎖する必要がある。
本稿では,ニューラルネットワークを連想させる構成モデルを提案する。
論文 参考訳（メタデータ） (2020-04-06T21:12:53Z)
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。