論文の概要: Generating by Understanding: Neural Visual Generation with Logical Symbol Groundings

• arxiv url: http://arxiv.org/abs/2310.17451v4
• Date: Thu, 05 Jun 2025 03:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 16:56:39.387241
• Title: Generating by Understanding: Neural Visual Generation with Logical Symbol Groundings
• Title（参考訳）: 理解による生成:論理記号接地を用いたニューラルビジュアル生成
• Authors: Yifei Peng, Zijie Zha, Yu Jin, Zhexu Luo, Wang-Zhou Dai, Zhong Ren, Yao-Xiang Ding, Kun Zhou,
• Abstract要約: このような論理積分モデルを構築するために,Abductive Visual Generation (AbdGen) アプローチを提案する。 本手法は, 論理的推論システムと様々なニューラル生成モデルを統合するために応用できることを実験的に示す。
• 参考スコア（独自算出の注目度）: 23.85885099230917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Making neural visual generative models controllable by logical reasoning systems is promising for improving faithfulness, transparency, and generalizability. We propose the Abductive visual Generation (AbdGen) approach to build such logic-integrated models. A vector-quantized symbol grounding mechanism and the corresponding disentanglement training method are introduced to enhance the controllability of logical symbols over generation. Furthermore, we propose two logical abduction methods to make our approach require few labeled training data and support the induction of latent logical generative rules from data. We experimentally show that our approach can be utilized to integrate various neural generative models with logical reasoning systems, by both learning from scratch or utilizing pre-trained models directly. The code is released at https://github.com/future-item/AbdGen.
• Abstract（参考訳）: 論理的推論システムによって制御可能な神経視覚生成モデルを作ることは、忠実性、透明性、一般化可能性を改善することを約束する。 このような論理積分モデルを構築するために,Abductive Visual Generation (AbdGen) アプローチを提案する。 ベクトル量子化シンボル接地機構とそれに対応するアンタングル化学習法を導入し、生成時の論理記号の制御性を高める。 さらに,本手法ではラベル付き学習データはほとんど必要とせず,潜在論理生成規則の導出を支援する2つの論理推論手法を提案する。 提案手法は,スクラッチから学習するか,事前学習したモデルを直接利用することにより,様々なニューラル生成モデルと論理的推論システムを統合するために有効であることを示す。 コードはhttps://github.com/future-item/AbdGenで公開されている。

関連論文リスト

• Pre-Training Meta-Rule Selection Policy for Visual Generative Abductive Learning [24.92602845948049]
  本稿では,視覚生成学習アプローチAbdGenのためのメタルール選択ポリシーの事前学習手法を提案する。 事前学習プロセスは、純粋なシンボルデータに基づいて行われ、生の視覚入力のシンボル接地学習は含まない。 本手法は,視覚的帰納学習におけるメタルール選択問題に効果的に対処でき,視覚的帰納学習の効率を高めることができる。
  論文  参考訳（メタデータ） (2025-03-09T03:41:11Z)
• Symbol-LLM: Leverage Language Models for Symbolic System in Visual Human Activity Reasoning [58.5857133154749]
  本稿では,広い範囲のシンボルと合理的なルールを持つ新しい記号体系を提案する。 我々は,LLMの最近の進歩を2つの理想的な性質の近似として活用する。 本手法は,広範囲な活動理解タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-11-29T05:27:14Z)
• 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)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Enhancing Neural Mathematical Reasoning by Abductive Combination with Symbolic Library [5.339286921277565]
  本稿では,人的知識でプログラムされた離散的なシステムと帰納的な組み合わせによって,いくつかの能力が達成できることを実証する。 数学的推論データセットでは、最近提案された帰納的学習フレームワークを採用し、トランスフォーマーモデルと記号数学ライブラリを組み合わせたABL-Symアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-28T04:19:39Z)
• 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)
• pix2rule: End-to-end Neuro-symbolic Rule Learning [84.76439511271711]
  本稿では,画像のオブジェクトへの処理,学習関係,論理規則に関する完全なニューロシンボリックな手法を提案する。 主な貢献は、シンボリックリレーションとルールを抽出できるディープラーニングアーキテクチャにおける差別化可能なレイヤである。 我々のモデルは最先端のシンボリックラーナーを超えてスケールし、ディープリレーショナルニューラルネットワークアーキテクチャよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2021-06-14T15:19:06Z)
• Abductive Knowledge Induction From Raw Data [12.868722327487752]
  本稿では,帰納的メタ解釈学習(Meta_Abd$)を提案する。 実験の結果,$Meta_Abd$は予測精度とデータ効率で比較したシステムより優れることがわかった。
  論文  参考訳（メタデータ） (2020-10-07T16:33:28Z)
• Closed Loop Neural-Symbolic Learning via Integrating Neural Perception, Grammar Parsing, and Symbolic Reasoning [134.77207192945053]
  従来の手法は強化学習アプローチを用いてニューラルシンボリックモデルを学ぶ。 我々は,脳神経知覚と記号的推論を橋渡しする前に,textbfgrammarモデルをテキストシンボリックとして導入する。 本稿では,トップダウンのヒューマンライクな学習手順を模倣して誤りを伝播する新しいtextbfback-searchアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:42:49Z)

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。