論文の概要: Advanced Weakly-Supervised Formula Exploration for Neuro-Symbolic Mathematical Reasoning

• arxiv url: http://arxiv.org/abs/2502.00629v1
• Date: Sun, 02 Feb 2025 02:34:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:03:08.888096
• Title: Advanced Weakly-Supervised Formula Exploration for Neuro-Symbolic Mathematical Reasoning
• Title（参考訳）: ニューロシンボリックな数学的推論のための先進的弱め補正型フォーミュラ探索
• Authors: Yuxuan Wu, Hideki Nakayama,
• Abstract要約: 本稿では,ニューロシンボリック推論システムにおいて,問題入力や最終出力から弱い監督下で中間ラベルを探索する手法を提案する。 数学データセットに関する実験では,複数の側面から提案した提案の有効性を実証した。
• 参考スコア（独自算出の注目度）: 18.937801725778538
• License:
• Abstract: In recent years, neuro-symbolic methods have become a popular and powerful approach that augments artificial intelligence systems with the capability to perform abstract, logical, and quantitative deductions with enhanced precision and controllability. Recent studies successfully performed symbolic reasoning by leveraging various machine learning models to explicitly or implicitly predict intermediate labels that provide symbolic instructions. However, these intermediate labels are not always prepared for every task as a part of training data, and pre-trained models, represented by Large Language Models (LLMs), also do not consistently generate valid symbolic instructions with their intrinsic knowledge. On the other hand, existing work developed alternative learning techniques that allow the learning system to autonomously uncover optimal symbolic instructions. Nevertheless, their performance also exhibits limitations when faced with relatively huge search spaces or more challenging reasoning problems. In view of this, in this work, we put forward an advanced practice for neuro-symbolic reasoning systems to explore the intermediate labels with weak supervision from problem inputs and final outputs. Our experiments on the Mathematics dataset illustrated the effectiveness of our proposals from multiple aspects.
• Abstract（参考訳）: 近年、ニューロシンボリックな手法は、人工知能システムを強化し、精度と制御性を高めて抽象的、論理的、定量的な推論を行う能力を持つ人気があり、強力なアプローチとなっている。 近年の研究では、記号的指示を提供する中間ラベルを明示的にまたは暗黙的に予測するために、さまざまな機械学習モデルを活用することで、記号的推論に成功した。 しかし、これらの中間ラベルはトレーニングデータの一部として全てのタスクに対して常に準備されているわけではなく、Large Language Models (LLM) で表される事前訓練されたモデルもまた、その固有の知識で有効な記号命令を一貫して生成していない。 一方、既存の研究では、学習システムが最適な記号命令を自律的に発見できるような代替学習手法が開発されている。 それにもかかわらず、彼らのパフォーマンスは、比較的巨大な検索スペースやより困難な推論問題に直面している場合にも制限がある。 そこで本研究では, ニューロシンボリック推論システムにおいて, 問題入力や最終的な出力から, 弱い監督力を持つ中間ラベルを探索する先進的な実践を行った。 数学データセットに関する実験では,複数の側面から提案した提案の有効性を実証した。

関連論文リスト

• Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective [55.79507207292647]
  知識グラフ推論は、データマイニング、人工知能、Web、社会科学など、さまざまな分野において重要である。 ニューラルAIの台頭は、深層学習の頑健さと象徴的推論の精度を融合させることで、大きな進歩を見せている。 大規模言語モデル(LLM)の出現により、知識グラフ推論の新しいフロンティアが開かれた。
  論文  参考訳（メタデータ） (2024-11-30T18:54:08Z)
• 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)
• From Reals to Logic and Back: Inventing Symbolic Vocabularies, Actions, and Models for Planning from Raw Data [20.01856556195228]
  本稿では,抽象状態と行動に対する論理に基づく関係表現を自律的に学習する最初の手法を提案する。 学習された表現は自動発明されたPDDLのようなドメインモデルを構成する。 決定論的設定における実証的な結果は、少数のロボット軌道から強力な抽象表現を学ぶことができることを示している。
  論文  参考訳（メタデータ） (2024-02-19T06:28:21Z)
• 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)
• 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)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Neuro-Symbolic AI: An Emerging Class of AI Workloads and their Characterization [0.9949801888214526]
  ニューロシンボリック人工知能(Neuro-symbolic AI)は、AI研究の新たな分野である。 本稿では,最近の3つのニューロシンボリックモデルの性能特性について述べる。
  論文  参考訳（メタデータ） (2021-09-13T17:19:59Z)

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。