論文の概要: Variable Assignment Invariant Neural Networks for Learning Logic Programs

• arxiv url: http://arxiv.org/abs/2408.10709v1
• Date: Tue, 20 Aug 2024 10:23:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 14:14:58.095994
• Title: Variable Assignment Invariant Neural Networks for Learning Logic Programs
• Title（参考訳）: 論理プログラム学習のための可変アサインメント不変ニューラルネットワーク
• Authors: Yin Jun Phua, Katsumi Inoue,
• Abstract要約: 解釈遷移から学ぶ(LFIT)は、観察された状態遷移から規則を学ぶためのフレームワークである。 LFITは純粋にシンボリックなアルゴリズムで実装されているが、ノイズに対処したり、観測されていない遷移に一般化することはできない。 本稿では,記号領域に固有の変分不変性を活用する手法を提案する。
• 参考スコア（独自算出の注目度）: 4.820391833117535
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Learning from interpretation transition (LFIT) is a framework for learning rules from observed state transitions. LFIT has been implemented in purely symbolic algorithms, but they are unable to deal with noise or generalize to unobserved transitions. Rule extraction based neural network methods suffer from overfitting, while more general implementation that categorize rules suffer from combinatorial explosion. In this paper, we introduce a technique to leverage variable permutation invariance inherent in symbolic domains. Our technique ensures that the permutation and the naming of the variables would not affect the results. We demonstrate the effectiveness and the scalability of this method with various experiments. Our code is publicly available at https://github.com/phuayj/delta-lfit-2
• Abstract（参考訳）: 解釈遷移から学ぶ(LFIT)は、観察された状態遷移から規則を学ぶためのフレームワークである。 LFITは純粋にシンボリックなアルゴリズムで実装されているが、ノイズに対処したり、観測されていない遷移に一般化することはできない。 ルール抽出に基づくニューラルネットワーク手法はオーバーフィッティングに悩まされ、ルールを分類するより一般的な実装は組合せ爆発に悩まされる。 本稿では,記号領域に固有の変分不変性を活用する手法を提案する。 我々の手法は、変数の置換や命名が結果に影響を与えないことを保証する。 本手法の有効性とスケーラビリティを様々な実験で実証する。 私たちのコードはhttps://github.com/phuayj/delta-lfit-2で公開されています。

関連論文リスト

• Permutation Equivariant Neural Functionals [92.0667671999604]
  この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。 隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。 実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-02-27T18:52:38Z)
• On Robust Learning from Noisy Labels: A Permutation Layer Approach [53.798757734297986]
  本稿では、深層ニューラルネットワーク(DNN)のトレーニング過程を動的に校正するPermLLと呼ばれる置換層学習手法を提案する。 本稿では,PermLLの2つの変種について述べる。一方はモデルの予測に置換層を適用し,他方は与えられた雑音ラベルに直接適用する。 我々はPermLLを実験的に検証し、実際のデータセットと合成データセットの両方で最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2022-11-29T03:01:48Z)
• Equivariance with Learned Canonicalization Functions [77.32483958400282]
  正規化を行うために小さなニューラルネットワークを学習することは、事前定義を使用することよりも優れていることを示す。 実験の結果,正準化関数の学習は多くのタスクで同変関数を学習する既存の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2022-11-11T21:58:15Z)
• Class-Level Logit Perturbation [0.0]
  特徴摂動とラベル摂動は、様々なディープラーニングアプローチにおいて有用であることが証明されている。 シングルラベルとマルチラベルの両方の分類タスクに対して,摂動ロジットを明示的に学習するための新しい手法が提案されている。 logit上でしか摂動しないため、既存の分類アルゴリズムと融合するためのプラグインとして使用できる。
  論文  参考訳（メタデータ） (2022-09-13T00:49:32Z)
• A Feedforward Unitary Equivariant Neural Network [3.6220250022337335]
  我々は新しいタイプのフィードフォワードニューラルネットワークを考案した。 これはユニタリ群 $U(n)$ に対して同変である。 入力と出力は任意の次元が$n$の$mathbbCn$のベクトルである。
  論文  参考訳（メタデータ） (2022-08-25T15:05:02Z)
• Do Deep Networks Transfer Invariances Across Classes? [123.84237389985236]
  ニュアンス変換を学習するための生成的アプローチが、クラス間での不変性の伝達にどのように役立つかを示す。 この結果から,不均衡分布や細長い分布に対して分類器が不規則に一般化する理由が示唆された。
  論文  参考訳（メタデータ） (2022-03-18T04:38:18Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Training or Architecture? How to Incorporate Invariance in Neural Networks [14.162739081163444]
  本稿では,グループ行動に関して,ネットワークアーキテクチャを確実に不変化する手法を提案する。 簡単に言えば、実際のネットワークにデータを送る前に、可能なトランスフォーメーションを“無効化”するつもりです。 このような手法の特性を解析し、等変ネットワークに拡張し、その利点を頑健さと計算効率の両面からいくつかの数値例で示す。
  論文  参考訳（メタデータ） (2021-06-18T10:31:00Z)
• Generalized Negative Correlation Learning for Deep Ensembling [7.569288952340753]
  Ensembleアルゴリズムは、多くの機械学習アプリケーションにおいて、最先端のアートパフォーマンスを提供する。 任意の2つの微分可能な損失関数に対する一般化バイアス分散分解を定式化する。 我々は,アンサンブルの多様性を明示的に制御する一般化負相関学習アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-11-05T16:29:22Z)
• Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
  本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。 埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。 複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
  論文  参考訳（メタデータ） (2020-03-09T13:51:09Z)

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。