論文の概要: A Neuro-Symbolic Framework for Sequence Classification with Relational and Temporal Knowledge

• arxiv url: http://arxiv.org/abs/2505.05106v1
• Date: Thu, 08 May 2025 10:10:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.841786
• Title: A Neuro-Symbolic Framework for Sequence Classification with Relational and Temporal Knowledge
• Title（参考訳）: リレーショナルおよびテンポラル知識を用いたシーケンス分類のためのニューロシンボリックフレームワーク
• Authors: Luca Salvatore Lorello, Marco Lippi, Stefano Melacci,
• Abstract要約: ニューロシンボリック人工知能のゴールの1つは、学習タスクのパフォーマンスを改善するために背景知識を活用することである。 この研究では、異なるタイミングで異なる知識を使わなければならない知識駆動シーケンスのより難しい問題について検討する。 結果は、この新しい設定の挑戦的な性質を示し、また、ニューロシンボリックな方法の未発見の欠点を強調している。
• 参考スコア（独自算出の注目度）: 13.698216735270767
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: One of the goals of neuro-symbolic artificial intelligence is to exploit background knowledge to improve the performance of learning tasks. However, most of the existing frameworks focus on the simplified scenario where knowledge does not change over time and does not cover the temporal dimension. In this work we consider the much more challenging problem of knowledge-driven sequence classification where different portions of knowledge must be employed at different timesteps, and temporal relations are available. Our experimental evaluation compares multi-stage neuro-symbolic and neural-only architectures, and it is conducted on a newly-introduced benchmarking framework. Results demonstrate the challenging nature of this novel setting, and also highlight under-explored shortcomings of neuro-symbolic methods, representing a precious reference for future research.
• Abstract（参考訳）: ニューロシンボリック人工知能のゴールの1つは、学習タスクのパフォーマンスを改善するために背景知識を活用することである。 しかし、既存のフレームワークのほとんどは、知識が時間とともに変化せず、時間次元をカバーしない、シンプルなシナリオに焦点を当てています。 本研究では,知識の異なる部分を異なるタイミングで採用し,時間的関係を利用できるような,知識駆動シーケンス分類のより困難な問題について考察する。 実験により,多段階のニューラルシンボリックアーキテクチャとニューラルオンリーアーキテクチャを比較し,新たに導入したベンチマークフレームワークを用いて評価を行った。 結果は、この新しい設定の挑戦的な性質を示し、また、今後の研究にとって重要な基準である神経象徴的手法の未発見の欠点を浮き彫りにしている。

関連論文リスト

• A Complexity Map of Probabilistic Reasoning for Neurosymbolic Classification Techniques [6.775534755081169]
  我々は4つの確率論的推論問題に対する統一的な形式論を発展させる。 そして,いくつかの既知の新しいトラクタビリティの結果を,確率論的推論の1つの複雑性マップにコンパイルする。 我々は、この複雑性マップに基づいて、いくつかのテクニックのスケーラビリティのドメインを特徴づける。
  論文  参考訳（メタデータ） (2024-04-12T11:31:37Z)
• Improving Neural-based Classification with Logical Background Knowledge [0.0]
  本稿では,提案する背景知識を用いた教師付きマルチラベル分類のための新しい定式化を提案する。 推論時に意味条件付けと呼ばれる新しいニューロシンボリック手法を導入する。 本稿では、他の2つの一般的なニューロシンボリック技術に対する理論的および実践的優位性について論じる。
  論文  参考訳（メタデータ） (2024-02-20T14:01:26Z)
• Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
  LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。 実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。 したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
  論文  参考訳（メタデータ） (2023-07-14T08:51:03Z)
• Neuro-Symbolic Continual Learning: Knowledge, Reasoning Shortcuts and Concept Rehearsal [26.999987105646966]
  本稿では,ニューロシンボリック連続学習(Neuro-Symbolic Continual Learning)を紹介する。 私たちのキーとなる観察は、ニューロシンボリックなタスクは異なるものの、意味論が時間とともに安定している概念を共有していることです。 ニューロシンボリックアーキテクチャと継続的な戦略を組み合わせることで、先行知識を活用することで、破滅的な忘れを回避できることが示される。
  論文  参考訳（メタデータ） (2023-02-02T17:24:43Z)
• Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
  ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
  論文  参考訳（メタデータ） (2022-10-28T04:38:10Z)
• Survey on Applications of Neurosymbolic Artificial Intelligence [37.7665470475176]
  本稿では,ニューロシンボリックな応用の分類法を導入し,各領域の最先端を概説する。 我々は、この急成長する分野の将来に関する重要なトレンドを特定し、新たな視点を提供する。
  論文  参考訳（メタデータ） (2022-09-08T18:18:41Z)
• 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)
• CogNGen: Constructing the Kernel of a Hyperdimensional Predictive Processing Cognitive Architecture [79.07468367923619]
  神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。 我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
  論文  参考訳（メタデータ） (2022-03-31T04:44:28Z)

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。