論文の概要: Neurosymbolic Decision Trees

• arxiv url: http://arxiv.org/abs/2503.08762v1
• Date: Tue, 11 Mar 2025 16:40:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:36.969008
• Title: Neurosymbolic Decision Trees
• Title（参考訳）: ニューロシンボリック決定木
• Authors: Matthias Möller, Arvid Norlander, Pedro Zuidberg Dos Martires, Luc De Raedt,
• Abstract要約: 我々はニューロシンボリック決定木(NDT)を,NeSy構造学習アルゴリズムとともに,決定木の拡張として導入する。 NeuID3は決定木アルゴリズムの標準トップダウン誘導に適応し、神経確率論理表現と組み合わせる。 我々は、ニューラルネットワークによる純粋にデータ駆動学習のような、よりトラジトナルなアプローチによるNeSys構造学習の利点を実証する。
• 参考スコア（独自算出の注目度）: 10.199462357139282
• License:
• Abstract: Neurosymbolic (NeSy) AI studies the integration of neural networks (NNs) and symbolic reasoning based on logic. Usually, NeSy techniques focus on learning the neural, probabilistic and/or fuzzy parameters of NeSy models. Learning the symbolic or logical structure of such models has, so far, received less attention. We introduce neurosymbolic decision trees (NDTs), as an extension of decision trees together with a novel NeSy structure learning algorithm, which we dub NeuID3. NeuID3 adapts the standard top-down induction of decision tree algorithms and combines it with a neural probabilistic logic representation, inherited from the DeepProbLog family of models. The key advantage of learning NDTs with NeuID3 is the support of both symbolic and subsymbolic data (such as images), and that they can exploit background knowledge during the induction of the tree structure, In our experimental evaluation we demonstrate the benefits of NeSys structure learning over more traditonal approaches such as purely data-driven learning with neural networks.
• Abstract（参考訳）: ニューロシンボリック(NeSy)AIは、ニューラルネットワーク(NN)と論理に基づくシンボリック推論の統合を研究する。 通常、NeSyのテクニックはNeSyモデルのニューラル、確率、ファジィパラメータの学習に重点を置いている。 このようなモデルの記号的あるいは論理的構造を学ぶことは、これまであまり注目されなかった。 我々はニューロシンボリック決定木(NDT)を,NeSy構造学習アルゴリズムとともに,決定木の拡張として導入する。 NeuID3は、決定木アルゴリズムの標準トップダウン誘導に適応し、DeepProbLogシリーズのモデルから継承された、神経確率論理表現と組み合わせる。 NeuID3でNDTを学習する主な利点は、シンボルデータとサブシンボリックデータ(画像など)の両方をサポートし、ツリー構造を誘導する際の背景知識を活用できることである。

関連論文リスト

• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• 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)
• Symbiosis of an artificial neural network and models of biological neurons: training and testing [0.0]
  生体ニューロンの数学的モデルからなる人工ニューラルネットワーク(ANN)の特徴を作成・同定する可能性を示す。 FitzHugh--Nagumo (FHN) システムは、単純化されたニューロン活性を示すモデルの一例として用いられる。
  論文  参考訳（メタデータ） (2023-02-03T10:06:54Z)
• A-NeSI: A Scalable Approximate Method for Probabilistic Neurosymbolic Inference [11.393328084369783]
  近年、DeepProbLogのような確率的ニューロシンボリックラーニング(PNL)のためのフレームワークが指数時間正確な推論を行う。 近似推論にスケーラブルなニューラルネットワークを用いるPNLの新しいフレームワークである近似ニューロシンボリック推論(A-NeSI)を紹介する。
  論文  参考訳（メタデータ） (2022-12-23T15:24:53Z)
• Constraints on the design of neuromorphic circuits set by the properties of neural population codes [61.15277741147157]
  脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。 ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
  論文  参考訳（メタデータ） (2022-12-08T15:16:04Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• NeuPSL: Neural Probabilistic Soft Logic [19.47714497494585]
  我々は、最先端のシンボル推論と深層ニューラルネットワークの低レベル認識を結びつける新しいニューロシンボリック(NeSy)フレームワークを導入する。 我々はNeuPSLでニューラルネットワークとシンボルパラメータの学習と推論をシームレスに統合する方法を示す。 確立されたNeSyタスク、MNIST-Additionにおいて、NeuPSLは、データ設定で既存のNeSyアプローチを最大10%上回る、ジョイント推論機能を示している。
  論文  参考訳（メタデータ） (2022-05-27T23:06:52Z)
• 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)
• Neural-Symbolic Integration for Interactive Learning and Conceptual Grounding [1.14219428942199]
  本稿では,抽象概念の説明と対話型学習のためのニューラルシンボリック統合を提案する。 ユーザとのインタラクションは、ニューラルモデルのリビジョンを確認または拒否する。 このアプローチはLogic NetworkフレームワークとConcept Activation Vectorsを使って説明され、Conal Neural Networkに適用される。
  論文  参考訳（メタデータ） (2021-12-22T11:24:48Z)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)

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。