Fugu-MT 論文翻訳(概要): NeSyA: Neurosymbolic Automata

論文の概要: NeSyA: Neurosymbolic Automata

arxiv url: http://arxiv.org/abs/2412.07331v1
Date: Tue, 10 Dec 2024 09:23:36 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-11 14:38:40.066826
Title: NeSyA: Neurosymbolic Automata
Title（参考訳）: NeSyA: ニューロシンボリックオートマタ
Authors: Nikolaos Manginas, George Paliouras, Luc De Raedt,
Abstract要約: シンボルオートマトンを用いて,サブシンボリックシークエンスに対して効率よく,かつ異なる推論を行うことができることを示す。提案システムはNeSyA(Neuro Automata)と呼ばれ,既存のNeSyアプローチよりもスケールあるいは性能がよいことを示す。
参考スコア（独自算出の注目度）: 8.461323070662774
License:
Abstract: Neurosymbolic Artificial Intelligence (NeSy) has emerged as a promising direction to integrate low level perception with high level reasoning. Unfortunately, little attention has been given to developing NeSy systems tailored to temporal/sequential problems. This entails reasoning symbolically over sequences of subsymbolic observations towards a target prediction. We show that using a probabilistic semantics symbolic automata, which combine the power of automata for temporal structure specification with that of propositional logic, can be used to reason efficiently and differentiably over subsymbolic sequences. The proposed system, which we call NeSyA (Neuro Symbolic Automata), is shown to either scale or perform better than existing NeSy approaches when applied to problems with a temporal component.
Abstract（参考訳）: ニューロシンボリック人工知能(NeSy)は、低レベルの知覚と高レベルの推論を統合するための有望な方向として登場した。残念なことに、NeSyシステムの開発には時間的/シークエンシャルな問題に対してほとんど注意が払われていない。これは、標的の予測に向けて、象徴的に準記号的な観測のシーケンスを推論する。確率論的意味論的シンボリックオートマトンを用いて,時間構造仕様のオートマトンと命題論理のオートマトンを組み合わせ,サブシンボリックシークエンスに対して効率的かつ微分的に推論できることを示す。提案システムはNeSyA(Neuro Symbolic Automata)と呼ばれ,時間成分の問題に適用した場合,既存のNeSyアプローチよりもスケールあるいは性能がよいことを示す。

関連論文リスト

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)
Neural Reward Machines [2.0755366440393743]
非マルコフ的強化学習(RL)タスクは、エージェントが環境の中で合理的に行動するために、状態-作用ペアの歴史全体を考える必要があるため、解決が困難である。ニューラル・リワード・マシン(NRM)は,非記号的RLドメインにおける推論と学習の両方に使用できる,オートマタベースのニューロシンボリック・フレームワークである。我々は,NRMがSG関数の知識を使わずに,先行知識を組み込むことができないディープRL法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-08-16T11:44:27Z)
IID Relaxation by Logical Expressivity: A Research Agenda for Fitting Logics to Neurosymbolic Requirements [50.57072342894621]
本稿では、ニューロシンボリック・ユースケースにおける既知のデータ依存と分布制約を利用する利点について論じる。これは、ニューロシンボリックな背景知識と、その論理に必要とされる表現性に関する一般的な疑問を伴う新しい研究課題を開く。
論文参考訳（メタデータ） (2024-04-30T12:09:53Z)
Symbol Correctness in Deep Neural Networks Containing Symbolic Layers [0.0]
NS-DNNの設計と分析を導く高レベル原理を定式化する。 NS-DNNの説明可能性と伝達学習にはシンボルの正しさが不可欠であることを示す。
論文参考訳（メタデータ） (2024-02-06T03:33:50Z)
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)
Extensions to Generalized Annotated Logic and an Equivalent Neural Architecture [4.855957436171202]
本稿では,ニューロシンボリックシステムに対する望ましい基準のリストを提案し,既存のアプローチのいくつかがこれらの基準にどう対処するかを検討する。次に、等価なニューラルアーキテクチャの作成を可能にするアノテーション付き一般化論理の拡張を提案する。トレーニングプロセスの継続的な最適化に依存する従来のアプローチとは異なり、当社のフレームワークは、離散最適化を使用する二項化ニューラルネットワークとして設計されている。
論文参考訳（メタデータ） (2023-02-23T17:39:46Z)
Invariants for neural automata [0.0]
我々は,異なる符号化条件下でのニューラルオートマトンの対称性と不変性を調べるための公式な枠組みを開発する。我々の研究は、ニューロシンボリックプロセッサを用いた実世界の実測値の回帰研究において極めて重要である可能性がある。
論文参考訳（メタデータ） (2023-02-04T11:40:40Z)
Neuro-Symbolic Causal Reasoning Meets Signaling Game for Emergent Semantic Communications [71.63189900803623]
創発的SCシステムフレームワークを提案し,創発的言語設計のためのシグナリングゲームと因果推論のためのニューロシンボリック(NeSy)人工知能(AI)アプローチで構成されている。 ESCシステムは、意味情報、信頼性、歪み、類似性の新たな指標を強化するように設計されている。
論文参考訳（メタデータ） (2022-10-21T15:33:37Z)
Neural-Symbolic Recursive Machine for Systematic Generalization [113.22455566135757]
我々は、基底記号システム(GSS)のコアとなるニューラル・シンボリック再帰機械(NSR)を紹介する。 NSRは神経知覚、構文解析、意味推論を統合している。我々はNSRの有効性を,系統的一般化能力の探索を目的とした4つの挑戦的ベンチマークで評価した。
論文参考訳（メタデータ） (2022-10-04T13:27:38Z)
Deep Symbolic Learning: Discovering Symbols and Rules from Perceptions [69.40242990198]
Neuro-Symbolic(NeSy)統合は、認識と推論を必要とするタスクに対して、シンボリック推論とニューラルネットワーク(NN)を組み合わせる。ほとんどのNeSyシステムは論理的知識の継続的な緩和に依存しており、モデルパイプライン内では決定的な決定は行われない。本研究では,NeSy関数を学習するNeSyシステムを提案する。すなわち,連続データを離散シンボルにマップする(集合)知覚関数の構成と,シンボルの集合上のシンボル関数である。
論文参考訳（メタデータ） (2022-08-24T14:06:55Z)
Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
論文参考訳（メタデータ） (2021-07-06T17:59:49Z)

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。