論文の概要: Bridging the Gap: Representation Spaces in Neuro-Symbolic AI

• arxiv url: http://arxiv.org/abs/2411.04393v1
• Date: Thu, 07 Nov 2024 03:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:39:52.984344
• Title: Bridging the Gap: Representation Spaces in Neuro-Symbolic AI
• Title（参考訳）: ギャップを埋める:ニューロシンボリックAIにおける表現空間
• Authors: Xin Zhang, Victor S. Sheng,
• Abstract要約: ニューロシンボリックAIは、ニューラルネットワークとシンボリックラーニングの利点を組み合わせることで、AIモデルの全体的なパフォーマンスを改善する効果的な方法である。 我々は,2013年からの191の研究では,4段階の分類フレームワークを構築した。
• 参考スコア（独自算出の注目度）: 26.656105779121308
• License:
• Abstract: Neuro-symbolic AI is an effective method for improving the overall performance of AI models by combining the advantages of neural networks and symbolic learning. However, there are differences between the two in terms of how they process data, primarily because they often use different data representation methods, which is often an important factor limiting the overall performance of the two. From this perspective, we analyzed 191 studies from 2013 by constructing a four-level classification framework. The first level defines five types of representation spaces, and the second level focuses on five types of information modalities that the representation space can represent. Then, the third level describes four symbolic logic methods. Finally, the fourth-level categories propose three collaboration strategies between neural networks and symbolic learning. Furthermore, we conducted a detailed analysis of 46 research based on their representation space.
• Abstract（参考訳）: ニューロシンボリックAIは、ニューラルネットワークとシンボリックラーニングの利点を組み合わせることで、AIモデルの全体的なパフォーマンスを改善する効果的な方法である。 しかし、データがどのように処理されるかという点では両者に違いがあり、主に異なるデータ表現方法を使うことが多いため、両者の全体的なパフォーマンスを制限する重要な要素であることが多い。 この観点から,2013年からの191の研究では,4段階の分類枠組みを構築した。 第1レベルは5種類の表現空間を定義し、第2レベルは表現空間が表現できる5種類の情報モダリティに焦点を当てる。 そして、第3のレベルは4つのシンボリック論理法を記述する。 最後に、第4レベルのカテゴリでは、ニューラルネットワークとシンボリックラーニングの3つのコラボレーション戦略が提案されている。 さらに,その表現空間に基づく46の研究の詳細な分析を行った。

関連論文リスト

• Neuro-Symbolic AI: Explainability, Challenges, and Future Trends [26.656105779121308]
  本稿では,2013年度の191研究におけるモデル設計と行動の両面を考慮した説明可能性の分類を提案する。 我々は,表現の相違をブリッジする形態が可読かどうかを考慮し,これらを5つのカテゴリに分類する。 我々は、統一表現、モデル説明可能性の向上、倫理的考察、社会的影響の3つの側面で将来の研究を提案する。
  論文  参考訳（メタデータ） (2024-11-07T02:54:35Z)
• Visual Commonsense based Heterogeneous Graph Contrastive Learning [79.22206720896664]
  視覚的推論タスクをより良く仕上げるための異種グラフコントラスト学習法を提案する。 本手法はプラグイン・アンド・プレイ方式として設計されており,多種多様な代表手法と迅速かつ容易に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-11-11T12:01:18Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• SimNP: Learning Self-Similarity Priors Between Neural Points [52.4201466988562]
  SimNPはカテゴリーレベルの自己相似性を学ぶ方法である。 我々は、SimNPが対称な見えない対象領域の再構成において、従来の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-07T16:02:40Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• Neurosymbolic AI for Reasoning over Knowledge Graphs: A Survey [0.0]
  本稿では,知識グラフ上でニューロシンボリック推論タスクを行う手法を調査し,それらを分類できる新しい分類法を提案する。 具体的には,(1)論理的にインフォームドされた埋め込みアプローチ,(2)論理的制約を伴う埋め込みアプローチ,(3)規則学習アプローチの3つの主要なカテゴリを提案する。
  論文  参考訳（メタデータ） (2023-02-14T17:24:30Z)
• Deep Learning for Human Parsing: A Survey [54.812353922568995]
  本研究では,人間の意味解析の先駆的な研究の幅広い範囲を網羅する,最先端の人間の構文解析手法の解析を行う。 1) 構造駆動型アーキテクチャは,人体の異なる部分と固有の階層構造を生かし,(2) グラフベースのネットワークは,効率的で完全な人体分析を実現するためにグローバルな情報を捉え,(3) コンテキスト認識ネットワークは,対応するクラスのピクセルを特徴付けるために,すべてのピクセルにわたって有用なコンテキストを探索し,(4) LSTMベースの手法は,短距離と長距離空間の依存関係を結合して,豊富な局所的・グローバルなコンテキストをうまく活用することができる。
  論文  参考訳（メタデータ） (2023-01-29T10:54:56Z)
• Generalization in Neural Networks: A Broad Survey [0.0]
  本稿では,ニューラルネットワークモデルの概念,モデリング手法,および最近の知見について,さまざまなレベルの抽象化レベルを用いて概説する。 1) トレーニングからテストデータへのサンプル一般化について論じる。 神経科学の概念は、脳のモジュラー構造と、ドーパミン駆動の条件付けが抽象的思考につながるステップについて論じられている。
  論文  参考訳（メタデータ） (2022-09-04T12:48:30Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Similarity of Neural Networks with Gradients [8.804507286438781]
  本稿では,特徴ベクトルと勾配ベクトルの両方を利用してニューラルネットワークの表現を設計することを提案する。 提案手法はニューラルネットワークの類似性を計算するための最先端の手法を提供する。
  論文  参考訳（メタデータ） (2020-03-25T17:04:10Z)

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。