論文の概要: Enhancing Symbolic Machine Learning by Subsymbolic Representations

• arxiv url: http://arxiv.org/abs/2506.14569v1
• Date: Tue, 17 Jun 2025 14:26:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.519651
• Title: Enhancing Symbolic Machine Learning by Subsymbolic Representations
• Title（参考訳）: サブシンボリック表現によるシンボリック機械学習の強化
• Authors: Stephen Roth, Lennart Baur, Derian Boer, Stefan Kramer,
• Abstract要約: ニューラル埋め込みにアクセスできるようにすることで、シンボリックな機械学習手法を強化することを提案する。 実世界の3つの領域の実験において、この単純で効果的なアプローチは、F1スコアの点で他のすべてのベースライン法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.4280350854512673
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The goal of neuro-symbolic AI is to integrate symbolic and subsymbolic AI approaches, to overcome the limitations of either. Prominent systems include Logic Tensor Networks (LTN) or DeepProbLog, which offer neural predicates and end-to-end learning. The versatility of systems like LTNs and DeepProbLog, however, makes them less efficient in simpler settings, for instance, for discriminative machine learning, in particular in domains with many constants. Therefore, we follow a different approach: We propose to enhance symbolic machine learning schemes by giving them access to neural embeddings. In the present paper, we show this for TILDE and embeddings of constants used by TILDE in similarity predicates. The approach can be fine-tuned by further refining the embeddings depending on the symbolic theory. In experiments in three real-world domain, we show that this simple, yet effective, approach outperforms all other baseline methods in terms of the F1 score. The approach could be useful beyond this setting: Enhancing symbolic learners in this way could be extended to similarities between instances (effectively working like kernels within a logical language), for analogical reasoning, or for propositionalization.
• Abstract（参考訳）: ニューロシンボリックAIの目標は、シンボリックAIアプローチとサブシンボリックAIアプローチを統合することで、どちらの制限も克服することだ。 著名なシステムには、ニューラルネットワークの述語とエンドツーエンド学習を提供するLogic Tensor Networks(LTN)やDeepProbLogがある。 しかし、LTNsやDeepProbLogのようなシステムの汎用性は、例えば差別的な機械学習、特に多くの定数を持つドメインにおいて、より単純な設定では効率を低下させる。 そこで我々は,ニューラル埋め込みにアクセスできるようにすることで,象徴的な機械学習手法を強化することを提案する。 本稿では, TILDE と TILDE が類似性述語に用いた定数の埋め込みについて述べる。 この手法は、シンボリック理論に依存する埋め込みをさらに洗練することによって微調整することができる。 実世界の3つの領域の実験において、この単純で効果的なアプローチは、F1スコアの点で他のすべてのベースライン法より優れていることを示す。 この方法でシンボリックラーナーを強化することは、(論理言語内のカーネルのように効果的に動作する)インスタンス間の類似性、アナログ推論、あるいは命題化にまで拡張することができる。

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)
• logLTN: Differentiable Fuzzy Logic in the Logarithm Space [11.440949097704943]
  文学におけるトレンドは、論理記号とニューラルネットワークとファジィ意味論を接地することで、損失関数の公理と事実を統合することである。 本稿では,対数空間の終端を基底とするファジィ演算子の構成について述べる。 以上の結果から,提案した構成が現状よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T09:39:05Z)
• 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)
• Join-Chain Network: A Logical Reasoning View of the Multi-head Attention in Transformer [59.73454783958702]
  本稿では,多くの結合演算子を連結して出力論理式をモデル化するシンボリック推論アーキテクチャを提案する。 特に,このような結合鎖のアンサンブルが'ツリー構造'の1次論理式であるFOETの広い部分集合を表現できることを実証する。 変圧器における多頭部自己保持モジュールは,確率的述語空間における結合作用素の結合境界を実装する特別なニューラル演算子として理解することができる。
  論文  参考訳（メタデータ） (2022-10-06T07:39:58Z)
• 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)
• Emergence of Machine Language: Towards Symbolic Intelligence with Neural Networks [73.94290462239061]
  本稿では、ニューラルネットワークを用いてシンボルとコネクショナリズムの原理を組み合わせることで、離散表現を導出することを提案する。 対話型環境とタスクを設計することにより、機械が自発的で柔軟でセマンティックな言語を生成できることを実証した。
  論文  参考訳（メタデータ） (2022-01-14T14:54:58Z)
• Learning with Holographic Reduced Representations [28.462635977110413]
  Holographic Reduced Representations (HRR)は、実数値ベクトル上でシンボリックAIを実行する方法である。 本稿では,ハイブリッド型ニューラルシンボリック・アプローチが学習に有効かどうかを理解するために,このアプローチを再考する。
  論文  参考訳（メタデータ） (2021-09-05T19:37:34Z)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)
• Logic Tensor Networks [9.004005678155023]
  学習と推論をサポートする神経シンボリック形式論と計算モデルであるLogic Networks(LTN)を提示する。 LTNがいくつかのAIタスクの仕様と計算に一様言語を提供することを示す。
  論文  参考訳（メタデータ） (2020-12-25T22:30:18Z)

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。