論文の概要: Pre-Training Meta-Rule Selection Policy for Visual Generative Abductive Learning
- arxiv url: http://arxiv.org/abs/2503.06427v1
- Date: Sun, 09 Mar 2025 03:41:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-11 15:53:05.486895
- Title: Pre-Training Meta-Rule Selection Policy for Visual Generative Abductive Learning
- Title（参考訳）: 視覚的生成的帰納学習のための事前学習メタルール選択ポリシー
- Authors: Yu Jin, Jingming Liu, Zhexu Luo, Yifei Peng, Ziang Qin, Wang-Zhou Dai, Yao-Xiang Ding, Kun Zhou,
- Abstract要約: 本稿では,視覚生成学習アプローチAbdGenのためのメタルール選択ポリシーの事前学習手法を提案する。
事前学習プロセスは、純粋なシンボルデータに基づいて行われ、生の視覚入力のシンボル接地学習は含まない。
本手法は,視覚的帰納学習におけるメタルール選択問題に効果的に対処でき,視覚的帰納学習の効率を高めることができる。
- 参考スコア（独自算出の注目度）: 24.92602845948049
- License:
- Abstract: Visual generative abductive learning studies jointly training symbol-grounded neural visual generator and inducing logic rules from data, such that after learning, the visual generation process is guided by the induced logic rules. A major challenge for this task is to reduce the time cost of logic abduction during learning, an essential step when the logic symbol set is large and the logic rule to induce is complicated. To address this challenge, we propose a pre-training method for obtaining meta-rule selection policy for the recently proposed visual generative learning approach AbdGen [Peng et al., 2023], aiming at significantly reducing the candidate meta-rule set and pruning the search space. The selection model is built based on the embedding representation of both symbol grounding of cases and meta-rules, which can be effectively integrated with both neural model and logic reasoning system. The pre-training process is done on pure symbol data, not involving symbol grounding learning of raw visual inputs, making the entire learning process low-cost. An additional interesting observation is that the selection policy can rectify symbol grounding errors unseen during pre-training, which is resulted from the memorization ability of attention mechanism and the relative stability of symbolic patterns. Experimental results show that our method is able to effectively address the meta-rule selection problem for visual abduction, boosting the efficiency of visual generative abductive learning. Code is available at https://github.com/future-item/metarule-select.
- Abstract（参考訳）: 視覚的帰納的学習は、シンボル付き接地型ニューラル・ビジュアル・ジェネレータを共同で訓練し、学習後、視覚的生成プロセスが誘導されたロジック・ルールによってガイドされるように、データから論理ルールを誘導する。
この課題の最大の課題は、論理記号集合が大きく、推論する論理規則が複雑であるときの基本ステップである、学習中の論理推論の時間コストを削減することである。
この課題に対処するために、最近提案された視覚生成学習アプローチ AbdGen [Peng et al , 2023] のメタルール選択ポリシーの事前学習手法を提案する。
選択モデルは、ケースのシンボル接地とメタルールの両方の埋め込み表現に基づいて構築され、ニューラルモデルと論理推論システムの両方に効果的に統合することができる。
事前学習プロセスは、純粋なシンボルデータに基づいて行われ、生の視覚入力のシンボル基底学習を伴わないため、学習プロセス全体が低コストになる。
もう一つの興味深い観察は、選択ポリシーが事前学習中に見つからない記号基底誤差を正すことができ、これは注意機構の記憶能力と記号パターンの相対安定性から生じる。
実験の結果,視覚誘導学習におけるメタルール選択問題に効果的に対処できることが示され,視覚誘導学習の効率が向上した。
コードはhttps://github.com/future-item/metarule-select.comから入手できる。
関連論文リスト
- Differentiable Logic Programming for Distant Supervision [4.820391833117535]
我々はニューラル・シンボリックAI(NeSy)におけるニューラルネットワークと論理プログラミングを統合する新しい手法を提案する。
従来の手法とは違って,提案手法はラベルの欠落を推論するシンボリック・ソルバに依存しない。
この方法は、遠隔の監督下でより効率的な学習を容易にする。
論文 参考訳（メタデータ） (2024-08-22T17:55:52Z) - Generating by Understanding: Neural Visual Generation with Logical
Symbol Groundings [26.134405924834525]
本稿では,論理プログラミングシステムとニューラルビジュアル生成モデルを統合するために,ニューロシンボリック学習手法であるAbductive Visual Generation(AbdGen)を提案する。
その結果、ベースラインアプローチと比較して、AbdGenはシンボル代入にラベル付きデータをかなり少なくする必要があることがわかった。
AbdGenは、既存のアプローチの能力から外れたデータから、基礎となる論理生成ルールを効果的に学習することができる。
論文 参考訳（メタデータ） (2023-10-26T15:00:21Z) - NeuralFastLAS: Fast Logic-Based Learning from Raw Data [54.938128496934695]
シンボリック・ルール学習者は解釈可能な解を生成するが、入力を記号的に符号化する必要がある。
ニューロシンボリックアプローチは、ニューラルネットワークを使用して生データを潜在シンボリック概念にマッピングすることで、この問題を克服する。
我々は,ニューラルネットワークを記号学習者と共同でトレーニングする,スケーラブルで高速なエンドツーエンドアプローチであるNeuralFastLASを紹介する。
論文 参考訳（メタデータ） (2023-10-08T12:33:42Z) - 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) - 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) - MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。
2つの新しい戦略が我々の手法の必須要素である。
論文 参考訳（メタデータ） (2022-03-01T11:13:00Z) - Improving exploration in policy gradient search: Application to symbolic
optimization [6.344988093245026]
多くの機械学習戦略は、ニューラルネットワークを利用して数学記号の大きな空間を探索する。
従来の進化的アプローチとは対照的に、検索のコアでニューラルネットワークを使用することで、より高いレベルのシンボルパターンを学習することができる。
これらの手法は, 性能の向上, サンプル効率の向上, シンボル回帰の課題に対する解の複雑さの低減を図っている。
論文 参考訳（メタデータ） (2021-07-19T21:11:07Z) - pix2rule: End-to-end Neuro-symbolic Rule Learning [84.76439511271711]
本稿では,画像のオブジェクトへの処理,学習関係,論理規則に関する完全なニューロシンボリックな手法を提案する。
主な貢献は、シンボリックリレーションとルールを抽出できるディープラーニングアーキテクチャにおける差別化可能なレイヤである。
我々のモデルは最先端のシンボリックラーナーを超えてスケールし、ディープリレーショナルニューラルネットワークアーキテクチャよりも優れていることを実証する。
論文 参考訳（メタデータ） (2021-06-14T15:19:06Z) - Abductive Knowledge Induction From Raw Data [12.868722327487752]
本稿では,帰納的メタ解釈学習(Meta_Abd$)を提案する。
実験の結果,$Meta_Abd$は予測精度とデータ効率で比較したシステムより優れることがわかった。
論文 参考訳（メタデータ） (2020-10-07T16:33:28Z) - Closed Loop Neural-Symbolic Learning via Integrating Neural Perception,
Grammar Parsing, and Symbolic Reasoning [134.77207192945053]
従来の手法は強化学習アプローチを用いてニューラルシンボリックモデルを学ぶ。
我々は,脳神経知覚と記号的推論を橋渡しする前に,textbfgrammarモデルをテキストシンボリックとして導入する。
本稿では,トップダウンのヒューマンライクな学習手順を模倣して誤りを伝播する新しいtextbfback-searchアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-11T17:42:49Z)
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。
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。