論文の概要: Softened Symbol Grounding for Neuro-symbolic Systems

• arxiv url: http://arxiv.org/abs/2403.00323v1
• Date: Fri, 1 Mar 2024 06:57:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 17:53:47.634000
• Title: Softened Symbol Grounding for Neuro-symbolic Systems
• Title（参考訳）: ニューロシンボリックシステムのためのソフトドシンボルグラウンド
• Authors: Zenan Li, Yuan Yao, Taolue Chen, Jingwei Xu, Chun Cao, Xiaoxing Ma, Jian L\"u
• Abstract要約: 本稿では,2つの世界間のギャップを埋める,新しい,軟化されたシンボル接地プロセスを提案し,効果的かつ効率的なニューロシンボリック学習の枠組みを提示する。 本フレームワークは,(1)ボルツマン分布としてシンボル解状態のモデル化を特徴とし,高コストな状態探索を回避し,ネットワークトレーニングとシンボル推論の相互に有益な相互作用を促進する。 3つの代表的なニューロシンボリック・ラーニング・タスクを用いた実験により,その優れたシンボルグラウンドリング能力により,我々のフレームワークは,既存の提案のフロンティアを越えた問題解決に成功していることが示された。
• 参考スコア（独自算出の注目度）: 24.587628032516033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuro-symbolic learning generally consists of two separated worlds, i.e., neural network training and symbolic constraint solving, whose success hinges on symbol grounding, a fundamental problem in AI. This paper presents a novel, softened symbol grounding process, bridging the gap between the two worlds, and resulting in an effective and efficient neuro-symbolic learning framework. Technically, the framework features (1) modeling of symbol solution states as a Boltzmann distribution, which avoids expensive state searching and facilitates mutually beneficial interactions between network training and symbolic reasoning;(2) a new MCMC technique leveraging projection and SMT solvers, which efficiently samples from disconnected symbol solution spaces; (3) an annealing mechanism that can escape from %being trapped into sub-optimal symbol groundings. Experiments with three representative neuro symbolic learning tasks demonstrate that, owining to its superior symbol grounding capability, our framework successfully solves problems well beyond the frontier of the existing proposals.
• Abstract（参考訳）: ニューロ・シンボリック・ラーニング(Neuro-symbolic learning)は、一般的に、ニューラルネットワークのトレーニングとシンボリック・制約解決という2つの世界から成り立っている。 本稿では,2つの世界間のギャップを埋める,新しい,軟化されたシンボル接地プロセスを提案し,効果的かつ効率的なニューロシンボリック学習の枠組みを提示する。 本フレームワークは,(1)高コストな状態探索を回避し,ネットワークトレーニングとシンボル推論の相互に有益な相互作用を促進するBoltzmann分布としてのシンボル解状態のモデリング,(2)非連結なシンボル解空間から効率的にサンプリングするプロジェクションとSMTソルバを利用した新しいMCMC技術,(3)準最適シンボルグラウンドに閉じ込められた%から逃れられるアニーリング機構を特徴とする。 3つの代表的なニューロシンボリック・ラーニング・タスクを用いた実験では,その優れたシンボルグラウンドリング能力により,既存の提案のフロンティアを越えた問題解決に成功している。

関連論文リスト

• Mapping the Neuro-Symbolic AI Landscape by Architectures: A Handbook on Augmenting Deep Learning Through Symbolic Reasoning [11.418327158608664]
  統計的強度を持つ記号技法は、人工知能の長年の問題である。 ニューロシンボリックAIは、この統合に焦点を当てている。 シンボリックテクニックの最初のマッピングを,そのアーキテクチャに基づいたフレームワークのファミリーに提示する。
  論文  参考訳（メタデータ） (2024-10-29T14:35:59Z)
• Neuro-symbolic Learning Yielding Logical Constraints [22.649543443988712]
  ニューロシンボリックシステムのエンドツーエンドの学習は、まだ未解決の課題である。 本稿では,ネットワーク,シンボル接地,論理的制約合成を両立させるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-28T12:18:25Z)
• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• NeuralFastLAS: Fast Logic-Based Learning from Raw Data [54.938128496934695]
  シンボリック・ルール学習者は解釈可能な解を生成するが、入力を記号的に符号化する必要がある。 ニューロシンボリックアプローチは、ニューラルネットワークを使用して生データを潜在シンボリック概念にマッピングすることで、この問題を克服する。 我々は,ニューラルネットワークを記号学習者と共同でトレーニングする,スケーラブルで高速なエンドツーエンドアプローチであるNeuralFastLASを紹介する。
  論文  参考訳（メタデータ） (2023-10-08T12:33:42Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• Knowledge-based Analogical Reasoning in Neuro-symbolic Latent Spaces [20.260546238369205]
  ニューラルネットワークのパターン認識能力とシンボリック推論と背景知識を組み合わせたフレームワークを提案する。 ニューラルアルゴリズム推論」アプローチ [DeepMind 2020] からインスピレーションを得て、問題固有のバックグラウンド知識を使用します。 我々は、RAVENのプログレッシブ・マトリクスにおける視覚的類似性の問題でこれを検証し、人間のパフォーマンスと競合する精度を実現する。
  論文  参考訳（メタデータ） (2022-09-19T04:03:20Z)
• 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)
• 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。