Fugu-MT 論文翻訳(概要): Boolean Variation and Boolean Logic BackPropagation

論文の概要: Boolean Variation and Boolean Logic BackPropagation

arxiv url: http://arxiv.org/abs/2311.07427v1
Date: Mon, 13 Nov 2023 16:01:43 GMT
ステータス: 処理完了
システム内更新日: 2023-11-14 13:46:50.684795
Title: Boolean Variation and Boolean Logic BackPropagation
Title（参考訳）: ブール変動とブール論理バックプロパゲーション
Authors: Van Minh Nguyen
Abstract要約: 変動の概念はブール集合に導入され、ブール論理のバックプロパゲーション原理が開発された。ディープモデルは重みとアクティベーションをブール数として構築でき、実算術の代わりにブール論理で操作できる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The notion of variation is introduced for the Boolean set and based on which Boolean logic backpropagation principle is developed. Using this concept, deep models can be built with weights and activations being Boolean numbers and operated with Boolean logic instead of real arithmetic. In particular, Boolean deep models can be trained directly in the Boolean domain without latent weights. No gradient but logic is synthesized and backpropagated through layers.
Abstract（参考訳）: 変動の概念はブール集合に導入され、ブール論理のバックプロパゲーション原理が開発された。この概念を用いて、ディープモデルはウェイトとアクティベーションをブール数として構築でき、実算術の代わりにブール論理で操作できる。特に、ブール深度モデルは遅延重みを伴わずにブール領域で直接訓練することができる。勾配はないが、ロジックは層を通して合成され、バックプロパゲーションされる。

関連論文リスト

BoolQuestions: Does Dense Retrieval Understand Boolean Logic in Language? [88.29075896295357]
まず,現在の検索システムが,言語に暗示されるブール論理を理解できるかを検討する。広範な実験結果から,現在の高密度検索システムはブール論理を十分に理解していないという結論を導いた。本研究では,研究コミュニティの強力な基盤となるコントラスト的連続学習手法を提案する。
論文参考訳（メタデータ） (2024-11-19T05:19:53Z)
Boolean-aware Boolean Circuit Classification: A Comprehensive Study on Graph Neural Network [2.1080766959962625]
グラフ構造に基づくブール回路分類は、グラフ分類タスクにグループ化することができる。まず、提案したマッチング等価クラスをBoolean-aware'プロパティに基づいて定義する。本稿では,グラフニューラルネットワーク(GNN)を基盤として,ブール認識回路の分類に影響を及ぼす要因を解析するフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-13T08:38:21Z)
Boolean Logic as an Error feedback mechanism [0.5439020425819]
ブール論理のバックパゲーションの概念は、重みとアクティベーションがブール数であるニューラルネットワークを構築するために導入された。ほとんどの計算は、訓練とフェーズの間、実際の算術ではなく論理で行うことができる。
論文参考訳（メタデータ） (2024-01-29T18:56:21Z)
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)
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)
RobustLR: Evaluating Robustness to Logical Perturbation in Deductive Reasoning [25.319674132967553]
トランスフォーマーは、英語の自然言語で書かれた規則や文を含む論理ルールベースで演能的推論を実行できることが示されている。本稿では,ルールベースにおける最小論理編集に対して,これらのモデルのロバスト性を評価するためにロバストLRを提案する。先行研究で訓練されたモデルは、ロバストLRの異なる摂動に対して一貫して動作しないことがわかった。
論文参考訳（メタデータ） (2022-05-25T09:23:50Z)
Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。他のものと比較して、LNNは古典的なブール論理と強く結びついている。標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
論文参考訳（メタデータ） (2021-12-06T19:38:30Z)
On Quantifying Literals in Boolean Logic and Its Applications to Explainable AI [33.08556125025698]
変数/リテラルと存在/ユニバーサル量子化の相互作用について検討する。定量化を効率的に行うことのできるブール式や回路のいくつかのクラスを同定する。
論文参考訳（メタデータ） (2021-08-23T00:42:22Z)
Foundations of Reasoning with Uncertainty via Real-valued Logics [70.43924776071616]
我々は、本質的にすべての実数値論理をカバーするためにパラメータ化できる、音と強完全公理化を与える。文のクラスは非常に豊かであり、各クラスは実数値論理の式の集合に対して可能な実値の集合を記述する。
論文参考訳（メタデータ） (2020-08-06T02:13:11Z)
Logical Neural Networks [51.46602187496816]
ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
論文参考訳（メタデータ） (2020-06-23T16:55:45Z)

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。