論文の概要: Assessing SATNet's Ability to Solve the Symbol Grounding Problem

• arxiv url: http://arxiv.org/abs/2312.11522v1
• Date: Wed, 13 Dec 2023 04:29:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-31 03:56:55.845526
• Title: Assessing SATNet's Ability to Solve the Symbol Grounding Problem
• Title（参考訳）: シンボリックグラウンド問題を解決するSATNetの能力の評価
• Authors: Oscar Chang, Lampros Flokas, Hod Lipson, Michael Spranger
• Abstract要約: SATNetは、論理ルールの推論に使用でき、ディープニューラルネットワークの微分可能な層として統合される、賞を受賞したMAXSATソルバである。 本研究では,個々のSudoku桁の画像を論理的表現で識別する中間ラベルがない場合,SATNetは視覚的Sudokuでは完全にフェールすることを示す。 そこで本研究では, MNIST に基づく検定をシンボル基底問題の簡単な例として提案し, 一般の微分可能な記号解法に対する正当性チェックとして機能する。
• 参考スコア（独自算出の注目度）: 19.52506478494672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: SATNet is an award-winning MAXSAT solver that can be used to infer logical rules and integrated as a differentiable layer in a deep neural network. It had been shown to solve Sudoku puzzles visually from examples of puzzle digit images, and was heralded as an impressive achievement towards the longstanding AI goal of combining pattern recognition with logical reasoning. In this paper, we clarify SATNet's capabilities by showing that in the absence of intermediate labels that identify individual Sudoku digit images with their logical representations, SATNet completely fails at visual Sudoku (0% test accuracy). More generally, the failure can be pinpointed to its inability to learn to assign symbols to perceptual phenomena, also known as the symbol grounding problem, which has long been thought to be a prerequisite for intelligent agents to perform real-world logical reasoning. We propose an MNIST based test as an easy instance of the symbol grounding problem that can serve as a sanity check for differentiable symbolic solvers in general. Naive applications of SATNet on this test lead to performance worse than that of models without logical reasoning capabilities. We report on the causes of SATNet's failure and how to prevent them.
• Abstract（参考訳）: SATNetは、論理ルールの推論に使用でき、ディープニューラルネットワークの微分可能な層として統合される、賞を受賞したMAXSATソルバである。 パズルの桁画像の例からスドゥークパズルを視覚的に解くことが示され、パターン認識と論理的推論を組み合わせるという長年のAIの目標に対する印象的な成果として賞賛された。 本稿では,個々のsudoku digitイメージを論理表現で識別する中間ラベルが存在しない場合,satnetが完全にビジュアルsudoku(0%テスト精度)で失敗することを示すことにより,satnetの能力を明らかにする。 より一般的には、この失敗は知覚現象に記号を割り当てることのできないこと、あるいは記号基底問題(英: symbol grounding problem)として知られており、知的エージェントが現実世界の論理的推論を行うための前提条件と考えられてきた。 そこで本研究では, MNIST に基づく検定をシンボル基底問題の簡単な例として提案し, 一般の微分可能な記号解法に対する正当性チェックとして機能する。 SATNetをこのテストに適用すると、論理的推論能力のないモデルよりもパフォーマンスが悪くなります。 SATNetの障害の原因と対策について報告する。

関連論文リスト

• LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
  本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。 本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
  論文  参考訳（メタデータ） (2024-07-18T22:05:21Z)
• GraSS: Combining Graph Neural Networks with Expert Knowledge for SAT Solver Selection [45.222591894755105]
  インスタンスの3部グラフ表現に基づくSATソルバ自動選択のための新しいアプローチであるGraSSを提案する。 我々は、新しいノードの特徴設計のようなドメイン固有の決定でグラフ表現を豊かにします。 生の表現とドメイン固有の選択の組み合わせが実行時の改善につながることを実証する。
  論文  参考訳（メタデータ） (2024-05-17T18:00:50Z)
• Learning Reliable Logical Rules with SATNet [7.951021955925275]
  我々は、入力出力の例から基礎となるルールを学習する差別化可能なMaxSATソルバSATNetの上に構築する。 基礎的真理規則に対して有効な検証手法をいくつか導入する。 ストリームトランスフォーメーションとスドク問題に関する実験は、デコードされたルールが信頼性が高いことを示している。
  論文  参考訳（メタデータ） (2023-10-03T15:14:28Z)
• Efficient Symbolic Reasoning for Neural-Network Verification [48.384446430284676]
  本稿では,ニューラルネットワーク検証のための新しいプログラム推論フレームワークを提案する。 我々のフレームワークの主要な構成要素は、記号領域と二次関係の利用である。 我々のフレームワークは、ニューラルネットワークの検証問題に新しい理論的洞察と実践的なツールをもたらすことができると信じている。
  論文  参考訳（メタデータ） (2023-03-23T18:08:11Z)
• Are Deep Neural Networks SMARTer than Second Graders? [85.60342335636341]
  6～8歳児を対象としたビジュオ言語パズルの解法において,ニューラルネットワークの抽象化,推論,一般化能力の評価を行った。 我々のデータセットは101のユニークなパズルで構成されており、各パズルは絵の質問で構成されており、それらの解には算術、代数学、空間推論を含むいくつかの基本的なスキルが混在している必要がある。 実験により、強力なディープモデルは教師付き設定でパズルに合理的な性能を与えるが、一般化のために解析するとランダムな精度よりは良くないことが明らかになった。
  論文  参考訳（メタデータ） (2022-12-20T04:33:32Z)
• Learning Symmetric Rules with SATNet [9.238700679836855]
  SATNet のパラメータの条件に対象ルールの所定の対称性を変換する SATNet の変種である SymSATNet を提案する。 また,実例から対象ルールの対称性を自動的に検出する手法についても述べる。 スドクとルービックキューブを用いた実験により,SymSATNetがベースラインSATNetよりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-06-28T13:36:34Z)
• Neural-Symbolic Solver for Math Word Problems with Auxiliary Tasks [130.70449023574537]
  我々のNS-rは、問題を読み取り、問題をエンコードする問題リーダーと、記号方程式を生成するプログラマと、答えを得るシンボリックエグゼキュータから構成される。 また, 目的表現の監督とともに, 4つの新たな補助的目的によって, 異なる記号的推論を強制的に行うように最適化した。
  論文  参考訳（メタデータ） (2021-07-03T13:14:58Z)
• Techniques for Symbol Grounding with SATNet [19.70820500506061]
  本稿では,SATNetがシンボルグラウンディング問題を克服できる自己教師付き事前学習パイプラインを提案する。 本手法により,SATNet がより困難な問題でも完全精度を達成できることが実証された。 また,SATNetアーキテクチャの性能をさらに向上する実証読解手法を提案する。
  論文  参考訳（メタデータ） (2021-06-16T18:42:12Z)
• Goal-Aware Neural SAT Solver [2.609784101826762]
  現代のニューラルネットワークは問題に関する情報を取得し、入力値からのみ出力を算出する。 我々は、必ずしも最適ではなく、クエリメカニズムで拡張することで、ネットワークの性能を大幅に改善できると主張している。 本稿では、QuerySATと呼ばれるクエリ機構を備えたニューラルSATソルバを提案し、幅広いSATタスクにおいてニューラルベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-14T04:51:24Z)
• Machine Number Sense: A Dataset of Visual Arithmetic Problems for Abstract and Relational Reasoning [95.18337034090648]
  文法モデルを用いて自動生成される視覚的算術問題からなるデータセット、MNS(Machine Number Sense)を提案する。 これらの視覚的算術問題は幾何学的フィギュアの形をしている。 我々は、この視覚的推論タスクのベースラインとして、4つの主要なニューラルネットワークモデルを用いて、MNSデータセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-04-25T17:14:58Z)

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。