論文の概要: NeSyCoCo: A Neuro-Symbolic Concept Composer for Compositional Generalization

• arxiv url: http://arxiv.org/abs/2412.15588v1
• Date: Fri, 20 Dec 2024 05:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:24:18.535851
• Title: NeSyCoCo: A Neuro-Symbolic Concept Composer for Compositional Generalization
• Title（参考訳）: NeSyCoCo: 合成一般化のためのニューロシンボリックなコンセプトコンストラクタ
• Authors: Danial Kamali, Elham J. Barezi, Parisa Kordjamshidi,
• Abstract要約: NeSyCoCoは、シンボリック表現を生成し、それらを微分可能なニューラル計算にマッピングする、ニューロシンボリックフレームワークである。 我々のフレームワークは、ReaSCANとCLEVR-CoGenT合成一般化ベンチマークの最先端結果を達成する。
• 参考スコア（独自算出の注目度）: 17.49136753589057
• License:
• Abstract: Compositional generalization is crucial for artificial intelligence agents to solve complex vision-language reasoning tasks. Neuro-symbolic approaches have demonstrated promise in capturing compositional structures, but they face critical challenges: (a) reliance on predefined predicates for symbolic representations that limit adaptability, (b) difficulty in extracting predicates from raw data, and (c) using non-differentiable operations for combining primitive concepts. To address these issues, we propose NeSyCoCo, a neuro-symbolic framework that leverages large language models (LLMs) to generate symbolic representations and map them to differentiable neural computations. NeSyCoCo introduces three innovations: (a) augmenting natural language inputs with dependency structures to enhance the alignment with symbolic representations, (b) employing distributed word representations to link diverse, linguistically motivated logical predicates to neural modules, and (c) using the soft composition of normalized predicate scores to align symbolic and differentiable reasoning. Our framework achieves state-of-the-art results on the ReaSCAN and CLEVR-CoGenT compositional generalization benchmarks and demonstrates robust performance with novel concepts in the CLEVR-SYN benchmark.
• Abstract（参考訳）: 合成一般化は、人工知能エージェントが複雑な視覚言語推論タスクを解決するために不可欠である。 ニューロシンボリックアプローチは、構成構造をキャプチャする可能性を証明していますが、それらは重要な課題に直面しています。 (a)適応性を制限する記号表現の事前定義された述語に依存する ロ 原データから述語を抽出することの難しさ及び (c) プリミティブな概念を組み合わせるために微分不可能な操作を使用する。 これらの問題に対処するために,大言語モデル(LLM)を利用してシンボル表現を生成し,それを微分可能なニューラル計算にマッピングするニューロシンボリックフレームワークNeSyCoCoを提案する。 NeSyCoCoが3つのイノベーションを紹介している。 (a)シンボリック表現とのアライメントを強化するために、依存構造を持つ自然言語入力を増強する。 b)分散語表現を用いて多様で言語的に動機付けられた論理述語を神経モジュールに結びつけること (c) 正規化述語スコアの柔らかい構成を用いて記号的・微分可能な推論を整列させる。 このフレームワークは,ReaSCANとCLEVR-CoGenT合成一般化ベンチマークの最先端結果を実現し,CLEVR-SYNベンチマークにおける新しい概念による堅牢な性能を示す。

関連論文リスト

• VisualPredicator: Learning Abstract World Models with Neuro-Symbolic Predicates for Robot Planning [86.59849798539312]
  本稿では,記号的・神経的知識表現の強みを組み合わせた一階抽象言語Neuro-Symbolic Predicatesを提案する。 提案手法は, サンプルの複雑さの向上, 分布外一般化の強化, 解釈可能性の向上を実現する。
  論文  参考訳（メタデータ） (2024-10-30T16:11:05Z)
• A Differentiable Integer Linear Programming Solver for Explanation-Based Natural Language Inference [17.467900115986158]
  我々は、説明に基づく自然言語推論(NLI)のためのニューロシンボリックアーキテクチャであるDiff-Comb Explainerを紹介する。 Diff-Comb Explainerは、意味的制約の連続的な緩和を必要とせず、直接的でより正確で効率的な神経表現をILPの定式化に組み込むことができる。 Diff-Comb Explainer は従来の ILP ソルバ, ニューロシンボリックブラックボックスソルバ, トランスフォーマーベースのエンコーダと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-04-03T10:29:06Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• 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)
• 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)
• Modeling Content and Context with Deep Relational Learning [31.854529627213275]
  DRaiLは、ディープリレーショナルモデルを特定するためのオープンソースの宣言型フレームワークである。 我々のフレームワークは、表現型言語エンコーダとの容易な統合をサポートし、表現、推論、学習間の相互作用を研究するためのインターフェースを提供する。
  論文  参考訳（メタデータ） (2020-10-20T17:09:35Z)
• Compositional Generalization by Learning Analytical Expressions [87.15737632096378]
  メモリ拡張ニューラルモデルは、合成一般化を達成するために解析式に接続される。 良く知られたベンチマークSCANの実験は、我々のモデルが構成的一般化の優れた能力をつかむことを示した。
  論文  参考訳（メタデータ） (2020-06-18T15:50:57Z)

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。