Fugu-MT 論文翻訳(概要): Learning big logical rules by joining small rules

論文の概要: Learning big logical rules by joining small rules

arxiv url: http://arxiv.org/abs/2401.16215v1
Date: Mon, 29 Jan 2024 15:09:40 GMT
ステータス: 処理完了
システム内更新日: 2024-01-30 14:30:01.759947
Title: Learning big logical rules by joining small rules
Title（参考訳）: 小さなルールを結合して大きな論理規則を学ぶ
Authors: C\'eline Hocquette and Andreas Niskanen and Rolf Morel and Matti J\"arvisalo and Andrew Cropper
Abstract要約: 我々は制約駆動システムにアプローチを実装し、制約解決器を使用してルールを効率的に結合する。ゲームプレイやドラッグデザインなど多くの分野での実験を行い、100以上のリテラルでルールを学習できることを示しました。
参考スコア（独自算出の注目度）: 21.45295555809529
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: A major challenge in inductive logic programming is learning big rules. To address this challenge, we introduce an approach where we join small rules to learn big rules. We implement our approach in a constraint-driven system and use constraint solvers to efficiently join rules. Our experiments on many domains, including game playing and drug design, show that our approach can (i) learn rules with more than 100 literals, and (ii) drastically outperform existing approaches in terms of predictive accuracies.
Abstract（参考訳）: 帰納論理プログラミングにおける大きな課題は、大きなルールを学ぶことです。この課題に対処するために、私たちは大きなルールを学ぶために小さなルールに参加するアプローチを導入します。我々は制約駆動システムにアプローチを実装し、制約解決器を使用してルールを効率的に結合する。ゲームプレイやドラッグデザインなど、多くの分野における私たちの実験は、私たちのアプローチが (i)100以上のリテラルで規則を学習し、 (II)予測精度で既存のアプローチを劇的に上回ります。

関連論文リスト

LogicGame: Benchmarking Rule-Based Reasoning Abilities of Large Language Models [87.49676980090555]
大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な能力を示し、複雑な問題解決能力を示している。 LLMの包括的なルール理解、実行、計画能力を評価するために設計された新しいベンチマークであるLogicGameを紹介する。
論文参考訳（メタデータ） (2024-08-28T13:16:41Z)
Symbolic Working Memory Enhances Language Models for Complex Rule Application [87.34281749422756]
大規模言語モデル(LLM)は、顕著な推論性能を示しているが、多段階の推論に苦慮している。本稿では,外部ワーキングメモリを用いたLLMの拡張と,ルール適用のためのニューロシンボリックフレームワークを提案する。当社のフレームワークは,LLMベースのルール実装とシンボリックルールグラウンディングを反復的に実施する。
論文参考訳（メタデータ） (2024-08-24T19:11:54Z)
Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
論文参考訳（メタデータ） (2024-02-18T03:38:51Z)
Probabilistic Truly Unordered Rule Sets [4.169915659794567]
真に順序のない規則集合に対するTURSを提案する。我々はルールセットの確率的特性を利用して、類似した確率的出力を持つ場合のみ規則が重複することを許すという直観を生かしている。我々は,幅広いルールベースの手法に対してベンチマークを行い,モデルの複雑さを低くし,高い競争力のある予測性能を持つルールセットを学習できることを実証した。
論文参考訳（メタデータ） (2024-01-18T12:03:19Z)
ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
論文参考訳（メタデータ） (2023-09-04T11:38:02Z)
On the Aggregation of Rules for Knowledge Graph Completion [9.628032156001069]
知識グラフ補完のためのルール学習アプローチは、純粋にニューラルモデルに対して効率的、解釈可能、競争的である。既存のアグリゲーションアプローチは,予測ルールよりも限界推論操作として表現できることを示す。本稿では,従来の戦略を組み合わさり,計算上より高価なアプローチと競合する,効率的で見落とされがちなベースラインを提案する。
論文参考訳（メタデータ） (2023-09-01T07:32:11Z)
Machine Learning with Probabilistic Law Discovery: A Concise Introduction [77.34726150561087]
Probabilistic Law Discovery (PLD) は、確率論的ルール学習の変種を実装した論理ベースの機械学習手法である。 PLDはDecision Tree/Random Forestメソッドに近いが、関連するルールの定義方法に大きく異なる。本稿はPLDの主な原則を概説し、その利点と限界を強調し、いくつかのアプリケーションガイドラインを提供する。
論文参考訳（メタデータ） (2022-12-22T17:40:13Z)
Truly Unordered Probabilistic Rule Sets for Multi-class Classification [0.0]
真に順序のない規則集合に対するTURSを提案する。まず、真に順序のない規則集合を学習する問題を定式化する。次に、ルールを慎重に成長させることでルール集合を学習する2相アルゴリズムを開発する。
論文参考訳（メタデータ） (2022-06-17T14:34:35Z)
Learning logic programs by combining programs [24.31242130341093]
我々は、小さな非分離型プログラムを学習し、それらを組み合わせるアプローチを導入する。我々は制約駆動型LPシステムにアプローチを実装した。ゲームプレイやプログラム合成など,複数の領域に対する実験により,既存のアプローチを劇的に上回る結果が得られた。
論文参考訳（メタデータ） (2022-06-01T10:07:37Z)
RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
本稿では知識グラフに基づく推論のための論理規則の学習について研究する。論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
論文参考訳（メタデータ） (2020-10-08T14:47:02Z)
Building Rule Hierarchies for Efficient Logical Rule Learning from Knowledge Graphs [20.251630903853016]
本稿では,ルール階層を用いて非プロミッシングルールを抽出する新しい手法を提案する。 HPMの応用は非プロムルールの除去に有効であることを示す。
論文参考訳（メタデータ） (2020-06-29T16:33:30Z)

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。