論文の概要: Making Logic a First-Class Citizen in Network Data Generation with ML

• arxiv url: http://arxiv.org/abs/2506.23964v2
• Date: Sat, 04 Oct 2025 02:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 14:28:10.26584
• Title: Making Logic a First-Class Citizen in Network Data Generation with ML
• Title（参考訳）: MLによるネットワークデータ生成における論理学の第一級市民化
• Authors: Hongyu Hè, Minhao Jin, Maria Apostolaki,
• Abstract要約: 生成MLモデルは、テレメトリ計算、予測、合成トレース生成といったタスクのネットワークにおいて、ますます人気が高まっている。 彼らは2つの欠点に悩まされている: (i) そのアウトプットはよく知られたネットワークルールに視覚的に違反し、信頼を損なう。 本稿では,ネットワークタスクに使用されるMLモデルに,一階述語論理規則の形で明示的なネットワーク知識を統合するための新しいパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 2.376797525708155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative ML models are increasingly popular in networking for tasks such as telemetry imputation, prediction, and synthetic trace generation. Despite their capabilities, they suffer from two shortcomings: (i) their output is often visibly violating well-known networking rules, which undermines their trustworthiness; and (ii) they are difficult to control, frequently requiring retraining even for minor changes. To address these limitations and unlock the benefits of generative models for networking, we propose a new paradigm for integrating explicit network knowledge in the form of first-order logic rules into ML models used for networking tasks. Rules capture well-known relationships among used signals, e.g., that increased latency precedes packet loss. While the idea is conceptually straightforward, its realization is challenging: networking knowledge is rarely formalized into rules, and naively injecting them into ML models often hampers ML's effectiveness. This paper introduces NetNomos a multi-stage framework that (1) learns rules directly from data (e.g., measurements); (2) filters them to distinguish semantically meaningful ones; and (3) enforces them through a collaborative generation between an ML model and an SMT solver.
• Abstract（参考訳）: 生成MLモデルは、テレメトリ計算、予測、合成トレース生成といったタスクのネットワークにおいて、ますます人気が高まっている。 その能力にもかかわらず、彼らは2つの欠点に悩まされている。 (i)そのアウトプットは、よく知られたネットワーク規則に違反することが多く、信頼性を損なう。 (二)制御が困難で、マイナーチェンジであっても再訓練を頻繁に必要とします。 これらの制約に対処し、ネットワークのための生成モデルの利点を解放するために、ネットワークタスクに使用されるMLモデルに一階述語論理ルールの形で明示的なネットワーク知識を統合するための新しいパラダイムを提案する。 規則は、例えば遅延の増加がパケット損失に先行する、使用済み信号間のよく知られた関係をキャプチャする。 ネットワーク知識は規則に形式化されることはめったになく、それらをMLモデルに鼻で注入することはMLの有効性を損なうことが多い。 本稿では,(1)データからルールを直接学習する多段階フレームワークであるNetNomosを紹介し,(2)意味的に意味のあるルールを識別するためにそれらをフィルタし,(3)MLモデルとSMTソルバの協調生成によってそれらを強制する。

関連論文リスト

• A General Framework for Property-Driven Machine Learning [1.0485739694839669]
  逆行訓練は,小摂動に対するロバスト性を向上させるために,$epsilon$-cubesで行うことができることを示す。 コンピュータビジョン以外の領域は、一般化された超矩形を通してより柔軟な入力領域の仕様を必要とすることがある。 本稿では,これら2つの補完的アプローチを,プロパティ駆動機械学習の単一フレームワークに組み込む方法について検討する。
  論文  参考訳（メタデータ） (2025-05-01T11:33:38Z)
• Using Petri Nets as an Integrated Constraint Mechanism for Reinforcement Learning Tasks [3.105112058253643]
  アルゴリズムへの信頼の欠如は、現実世界のドメインで制御するために強化学習(RL)エージェントを使用する場合の課題である。 本稿では,典型的なRLアプローチに対して3つの利点を持つペトリネット(PN)を用いたアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-05T13:04:06Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Robust Online Learning over Networks [1.0249620437941]
  この作業は、分散学習に固有のいくつかの一般的な課題を特に対象とする。 マルチプライヤの交互方向法(ADMM)の分散演算子理論(DOT)版を適用した。 DOT-ADMM演算子が計量部分正則であれば、凸学習問題のクラスに対する線形率に収束する。
  論文  参考訳（メタデータ） (2023-09-01T15:18:05Z)
• Networked Communication for Decentralised Agents in Mean-Field Games [59.01527054553122]
  平均フィールドゲームフレームワークにネットワーク通信を導入する。 当社のアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを証明しています。 ネットワーク化されたアプローチは、障害の更新や人口規模の変化に対する堅牢性という点において、両方の選択肢に対して大きなメリットがあることが示されています。
  論文  参考訳（メタデータ） (2023-06-05T10:45:39Z)
• Synergy and Symmetry in Deep Learning: Interactions between the Data, Model, and Inference Algorithm [33.59320315666675]
  我々は三重項(D,M,I)を統合システムとして研究し、次元の呪いを軽減する重要なシナジーを特定する。 これらの対称性がデータ分布と互換性がある場合、学習は最も効率的であることがわかった。
  論文  参考訳（メタデータ） (2022-07-11T04:08:21Z)
• Interpolation-based Contrastive Learning for Few-Label Semi-Supervised Learning [43.51182049644767]
  半教師付き学習(SSL)は,ラベルが限定された強力なモデルを構築する上で,有効な手法であることが長年証明されてきた。 摂動サンプルを元のものと類似した予測を強制する正規化に基づく手法が注目されている。 本稿では,学習ネットワークの埋め込みを誘導し,サンプル間の線形変化を誘導する新たな対照的な損失を提案する。
  論文  参考訳（メタデータ） (2022-02-24T06:00:05Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• 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)

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。