論文の概要: Dolphin: A Programmable Framework for Scalable Neurosymbolic Learning

• arxiv url: http://arxiv.org/abs/2410.03348v2
• Date: Mon, 03 Feb 2025 03:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-04 16:04:19.879276
• Title: Dolphin: A Programmable Framework for Scalable Neurosymbolic Learning
• Title（参考訳）: Dolphin: スケーラブルなニューロシンボリックラーニングのためのプログラム可能なフレームワーク
• Authors: Aaditya Naik, Jason Liu, Claire Wang, Saikat Dutta, Mayur Naik, Eric Wong,
• Abstract要約: 我々はPythonでニューロシンボリックプログラムをサポートするフレームワークであるDolphinを紹介した。 13のベンチマークでテキスト、画像、ビデオデータにまたがるタスクを網羅し、Dolphinは最先端のアキュラシーに収束する。
• 参考スコア（独自算出の注目度）: 18.50192747078987
• License:
• Abstract: Neurosymbolic learning enables the integration of symbolic reasoning with deep learning but faces significant challenges in scaling to complex symbolic programs, large datasets, or both. We introduce Dolphin, a framework that tackles these challenges by supporting neurosymbolic programs in Python, executing complex symbolic reasoning on the CPU while vectorizing probabilistic computations and gradient propagation on the GPU. Across 13 benchmarks spanning tasks over text, image, and video data, with symbolic reasoning features like recursion and black-box functions, Dolphin converges to state-of-the-art accuracies on the more complex benchmarks while existing frameworks such as Scallop, ISED, and IndeCateR+ fail to converge within the time limit. On simpler benchmarks, Dolphin matches their performance, while achieving these results 1.71x to 62x faster than the baselines. Overall, Dolphin advances the scalability of neurosymbolic frameworks, achieving state-of-the-art efficiency and convergence on difficult benchmarks where existing frameworks struggle.
• Abstract（参考訳）: ニューロシンボリック学習は、シンボリック推論とディープラーニングの統合を可能にするが、複雑なシンボリックプログラム、大規模なデータセット、あるいは両方へのスケーリングにおいて大きな課題に直面している。 Dolphinは、Pythonでニューロシンボリックプログラムをサポートし、CPU上で複雑なシンボリック推論を実行し、確率的計算とGPU上での勾配伝播をベクトル化することで、これらの課題に対処するフレームワークである。 13のベンチマークがテキスト、イメージ、ビデオデータにまたがり、再帰やブラックボックス関数といった象徴的な推論機能によって、Dolphinはより複雑なベンチマークで最先端の精度に収束する一方、Scallop、ISED、IndeCateR+といった既存のフレームワークは時間制限内に収束しない。 より単純なベンチマークでは、Dolphinはパフォーマンスにマッチし、ベースラインよりも1.71倍から62倍速く、これらの結果を達成する。 全体として、Dolphinはニューロシンボリックフレームワークのスケーラビリティを向上し、最先端の効率性と既存のフレームワークが苦労する困難なベンチマークへの収束を実現している。

関連論文リスト

• CyNetDiff -- A Python Library for Accelerated Implementation of Network Diffusion Models [0.9831489366502302]
  CyNetDiffはPythonライブラリで、Cythonで記述されている。 多くの研究課題において、これらのシミュレーションが最も計算集約的なタスクであるため、高水準言語へのインタフェースを備えたライブラリを持つことが望ましい。
  論文  参考訳（メタデータ） (2024-04-25T21:59:55Z)
• AI Coders Are Among Us: Rethinking Programming Language Grammar Towards Efficient Code Generation [14.831115535710692]
  本稿では,AI指向文法の概念を提案する。 これは、AIモデルの動作メカニズムにより良い方法でコードを表現することを目的としています。 AI指向文法で書かれたコードはフォーマットを捨て、最小限のトークンを使用する。
  論文  参考訳（メタデータ） (2024-04-25T04:46:02Z)
• 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)
• Catwalk: A Unified Language Model Evaluation Framework for Many Datasets [50.75378592254184]
  Catwalkは、既存のNLPデータセットとモデルに統一されたインターフェースを提供する。 キャットウォークは、大規模に制御された実験を行うための障壁を著しく低くする。
  論文  参考訳（メタデータ） (2023-12-15T23:11:45Z)
• Natural Language Embedded Programs for Hybrid Language Symbolic Reasoning [84.12154024070024]
  本研究では,数学・記号的推論,自然言語理解,後続の課題に対処するための統合フレームワークとして,自然言語組み込みプログラム(NLEP)を提案する。 我々のアプローチは,構造化知識の自然言語表現を含むデータ構造上の関数を定義する完全なPythonプログラムを生成するよう,言語モデルに促す。 Pythonインタープリタが生成されたコードを実行し、出力をプリントする。
  論文  参考訳（メタデータ） (2023-09-19T17:54:21Z)
• Scallop: A Language for Neurosymbolic Programming [14.148819428748597]
  Scallopは、ディープラーニングと論理的推論の利点を組み合わせた言語である。 アルゴリズム推論を多様で困難なAIタスクで表現することができる。 機械学習プログラマが論理的なドメイン知識を統合するための簡潔なインターフェースを提供する。
  論文  参考訳（メタデータ） (2023-04-10T18:46:53Z)
• Program of Thoughts Prompting: Disentangling Computation from Reasoning for Numerical Reasoning Tasks [108.4568236569645]
  CoT(Chain-of-thinkts prompting)は、これらのタスクに対する最先端の手法である。 本稿では、言語モデルを用いて推論過程をプログラムとして表現する「思考プログラム(PoT)」を提案する。 PoTは、評価されたすべてのデータセットに対して、CoTに対する平均的なパフォーマンス向上を約12%示すことができる。
  論文  参考訳（メタデータ） (2022-11-22T21:06:00Z)
• Terra: Imperative-Symbolic Co-Execution of Imperative Deep Learning Programs [7.656446581986389]
  命令型プログラミングにより、ユーザはディープニューラルネットワーク(DNN)を簡単に実装できる。 命令型プログラミングのユーザビリティとシンボルグラフ実行の最適化性能を組み合わせるために,いくつかのシステムが提案されている。 本稿では,任意の命令型DLプログラムを処理し,シンボルグラフ実行の最適化性能を実現した命令型共実行システムTerraを提案する。
  論文  参考訳（メタデータ） (2022-01-23T09:04:48Z)
• Program Synthesis with Large Language Models [40.41120807053989]
  我々はPythonにおけるプログラム合成のための大規模言語モデルを評価する。 合成性能はモデルサイズと対数的にスケールすることがわかった。 最高のモデルでさえ、特定の入力を与えられたプログラムの出力を予測できないことが分かりました。
  論文  参考訳（メタデータ） (2021-08-16T03:57:30Z)
• Representing Partial Programs with Blended Abstract Semantics [62.20775388513027]
  プログラム合成エンジンにおける部分的なプログラム表現手法について紹介する。 モジュラーニューラルネットワークとして実装された近似実行モデルを学ぶ。 これらのハイブリッドニューロシンボリック表現は、実行誘導型シンセサイザーがより強力な言語構成を使うことができることを示す。
  論文  参考訳（メタデータ） (2020-12-23T20:40:18Z)
• OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
  本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。 OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
  論文  参考訳（メタデータ） (2020-01-28T15:46:19Z)

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。