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

• arxiv url: http://arxiv.org/abs/2410.03348v3
• Date: Thu, 06 Feb 2025 15:52:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:30:11.520443
• 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, Amish Sethi, 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）: 17.61843819105099
• 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

• Dolphin: Closed-loop Open-ended Auto-research through Thinking, Practice, and Feedback [71.89119648053396]
  我々は,最初のクローズドループオープンエンド自動検索フレームワークであるDolphinを提案する。 ドルフィンは研究アイデアを生成し、実験を行い、実験結果からフィードバックを得て、高品質なアイデアを生成することができる。 我々は,Dolphinが2次元画像分類や3次元点分類といったタスクにおいて,最先端技術に匹敵する手法を自動提案できることを強調した。
  論文  参考訳（メタデータ） (2025-01-07T16:31:10Z)
• 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)
• Discovering symbolic expressions with parallelized tree search [59.92040079807524]
  記号回帰は、データから簡潔で解釈可能な数学的表現を発見する能力のおかげで、科学研究において重要な役割を果たす。 既存のアルゴリズムは、複雑性の問題に対処する際の精度と効率の重要なボトルネックに直面してきた。 本稿では,限定データから汎用数学的表現を効率的に抽出する並列木探索(PTS)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-05T10:41:15Z)
• Deep Symbolic Optimization for Combinatorial Optimization: Accelerating Node Selection by Discovering Potential Heuristics [10.22111332588471]
  本稿では,その利点を生かした,新しい記号的最適化学習フレームワークを提案する。 Dso4NSは高次元離散記号空間内の数学的表現の探索をガイドし、最高性能の数学的表現を解法に組み込む。 実験では、Dso4NSが高品質な表現の学習に有効であることを示し、CPUマシンにおける既存のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-14T06:02:14Z)
• 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)
• 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)
• Symbolic Visual Reinforcement Learning: A Scalable Framework with Object-Level Abstraction and Differentiable Expression Search [63.3745291252038]
  DiffSESは、離散的なシンボルポリシーを発見する新しいシンボリック学習手法である。 生のピクセルレベルの入力の代わりにオブジェクトレベルの抽象化を使用することで、DiffSESはシンボリック表現の単純さとスケーラビリティの利点を活用することができる。 我々の実験は、DiffSESが最先端のシンボルRL法よりもシンプルでスケーラブルなシンボリックポリシーを生成することができることを示した。
  論文  参考訳（メタデータ） (2022-12-30T17:50:54Z)
• NAPG: Non-Autoregressive Program Generation for Hybrid Tabular-Textual Question Answering [52.10214317661547]
  現在の数値推論法はプログラムシーケンスを自己回帰的にデコードする。 プログラム生成の精度は、デコードステップがエラー伝搬によって展開されるにつれて急激に低下する。 本稿では,非自己回帰型プログラム生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-07T11:25:21Z)
• 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)
• SLASH: Embracing Probabilistic Circuits into Neural Answer Set Programming [15.814914345000574]
  SLASH(Deep Probabilistic Language:DPPL)を紹介します。 SLASHのコアとなるのは、NPP(Neural-Probabilistic Predicates)と、応答セットプログラミングを通じて統合された論理プログラムである。 我々は,MNIST加算のベンチマークデータとDPPLの欠落データ予測や最先端性能のセット予測といった新しいタスクに基づいてSLASHを評価する。
  論文  参考訳（メタデータ） (2021-10-07T12:35:55Z)

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。