論文の概要: A Complexity Map of Probabilistic Reasoning for Neurosymbolic Classification Techniques

• arxiv url: http://arxiv.org/abs/2404.08404v2
• Date: Thu, 23 Jan 2025 09:52:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:56:36.407198
• Title: A Complexity Map of Probabilistic Reasoning for Neurosymbolic Classification Techniques
• Title（参考訳）: 確率論的推論の複雑度マップによるニューロシンボリック分類法
• Authors: Arthur Ledaguenel, Céline Hudelot, Mostepha Khouadjia,
• Abstract要約: 我々は4つの確率論的推論問題に対する統一的な形式論を発展させる。 そして,いくつかの既知の新しいトラクタビリティの結果を,確率論的推論の1つの複雑性マップにコンパイルする。 我々は、この複雑性マップに基づいて、いくつかのテクニックのスケーラビリティのドメインを特徴づける。
• 参考スコア（独自算出の注目度）: 6.775534755081169
• License:
• Abstract: Neurosymbolic artificial intelligence is a growing field of research aiming to combine neural network learning capabilities with the reasoning abilities of symbolic systems. Informed multi-label classification is a sub-field of neurosymbolic AI which studies how to leverage prior knowledge to improve neural classification systems. Recently, a family of neurosymbolic techniques for informed classification based on probabilistic reasoning has gained significant traction. Unfortunately, depending on the language used to represent prior knowledge, solving certain probabilistic reasoning problems can become prohibitively hard when the number of classes increases. Therefore, the asymptotic complexity of probabilistic reasoning is of cardinal importance to assess the scalability of such techniques. In this paper, we develop a unified formalism for four probabilistic reasoning problems. Then, we compile several known and new tractability results into a single complexity map of probabilistic reasoning. We build on top of this complexity map to characterize the domains of scalability of several techniques. We hope this work will help neurosymbolic AI practitioners navigate the scalability landscape of probabilistic neurosymbolic techniques.
• Abstract（参考訳）: ニューロシンボリック人工知能(Neurosymbolic AI)は、ニューラルネットワーク学習能力とシンボリックシステムの推論能力を組み合わせることを目的とした研究分野である。 インフォームド・マルチラベル分類(Informed Multi-label classification)は、ニューロシンボリックAIのサブフィールドであり、事前知識を活用して神経分類システムを改善する方法を研究する。 近年,確率論的推論に基づく情報分類のためのニューロシンボリック技術の一群が注目されている。 残念ながら、事前知識を表すために使われる言語によっては、ある確率論的推論問題の解決は、クラス数が増加すると違法に困難になる可能性がある。 したがって、確率論的推論の漸近的複雑性は、そのような手法のスケーラビリティを評価する上で重要な要素である。 本稿では,4つの確率論的推論問題に対する統一的な定式化法を開発する。 そして,いくつかの既知の新しいトラクタビリティの結果を,確率論的推論の1つの複雑性マップにコンパイルする。 この複雑性マップの上に構築され、いくつかのテクニックのスケーラビリティのドメインを特徴付ける。 この研究によって、ニューロシンボリックなAI実践者が確率的ニューロシンボリックなテクニックのスケーラビリティの展望をナビゲートできることを期待している。

関連論文リスト

• A Scalable Approach to Probabilistic Neuro-Symbolic Verification [14.558484523699748]
  Neuro-Symbolic Artificial Intelligence (NeSy AI)は、ニューラルネットワークとシンボリック推論を統合するための有望な方向として登場した。 我々は、そのようなNeSy確率論的推論システムの堅牢性を正式に検証する問題に対処する。 確率的NeSy系の近似的・緩和的検証のための最初の手法を提案する。
  論文  参考訳（メタデータ） (2025-02-05T15:29:41Z)
• Compositional Generalization Across Distributional Shifts with Sparse Tree Operations [77.5742801509364]
  我々は、微分可能木機械と呼ばれる統合されたニューロシンボリックアーキテクチャを導入する。 シンボル構造の疎ベクトル表現を用いることで,モデルの効率を大幅に向上する。 より一般的なseq2seq問題に制限されたtree2tree問題以外の適用を可能にする。
  論文  参考訳（メタデータ） (2024-12-18T17:20:19Z)
• Formal Explanations for Neuro-Symbolic AI [28.358183683756028]
  本稿では,ニューロシンボリックシステムの決定を説明するための公式なアプローチを提案する。 これはまず、説明が必要な神経情報の個々の部分のサブセットを特定するのに役立つ。 これに続いて、階層的な形式的な説明の簡潔さを促進するために、互いに独立して、これらの個々の神経入力のみを説明する。
  論文  参考訳（メタデータ） (2024-10-18T07:08:31Z)
• Towards Efficient Neuro-Symbolic AI: From Workload Characterization to Hardware Architecture [22.274696991107206]
  ニューロシンボリックAIは、解釈可能性、堅牢性、信頼性を高めるニューラルネットワークとシンボリックアプローチを融合して、有望なパラダイムとして出現する。 最近のニューロシンボリックシステムは、推論と認知能力を備えた協調的な人間-AIシナリオにおいて大きな可能性を示している。 まず, ニューロシンボリックAIアルゴリズムを体系的に分類し, 実行時, メモリ, 計算演算子, 疎結合性, システム特性を実験的に評価し, 解析する。
  論文  参考訳（メタデータ） (2024-09-20T01:32:14Z)
• Improving Neural-based Classification with Logical Background Knowledge [0.0]
  本稿では,提案する背景知識を用いた教師付きマルチラベル分類のための新しい定式化を提案する。 推論時に意味条件付けと呼ばれる新しいニューロシンボリック手法を導入する。 本稿では、他の2つの一般的なニューロシンボリック技術に対する理論的および実践的優位性について論じる。
  論文  参考訳（メタデータ） (2024-02-20T14:01:26Z)
• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• 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)
• Neurocompositional computing: From the Central Paradox of Cognition to a new generation of AI systems [120.297940190903]
  AIの最近の進歩は、限られた形態のニューロコンフォメーションコンピューティングの使用によってもたらされている。 ニューロコンポジションコンピューティングの新しい形式は、より堅牢で正確で理解しやすいAIシステムを生み出します。
  論文  参考訳（メタデータ） (2022-05-02T18:00:10Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。