論文の概要: BranchNet: A Neuro-Symbolic Learning Framework for Structured Multi-Class Classification

• arxiv url: http://arxiv.org/abs/2507.01781v1
• Date: Wed, 02 Jul 2025 15:07:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.337689
• Title: BranchNet: A Neuro-Symbolic Learning Framework for Structured Multi-Class Classification
• Title（参考訳）: BranchNet: 構造化多クラス分類のためのニューロシンボリック学習フレームワーク
• Authors: Dalia Rodríguez-Salas, Christian Riess,
• Abstract要約: 本稿では,決定木アンサンブルを疎結合なニューラルネットワークに変換するニューロシンボリック学習フレームワークであるBranchNetを紹介する。 結果として得られるモデルはコンパクトで解釈可能で、手動のアーキテクチャチューニングを必要としない。
• 参考スコア（独自算出の注目度）: 7.38482187232142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce BranchNet, a neuro-symbolic learning framework that transforms decision tree ensembles into sparse, partially connected neural networks. Each branch, defined as a decision path from root to a parent of leaves, is mapped to a hidden neuron, preserving symbolic structure while enabling gradient-based optimization. The resulting models are compact, interpretable, and require no manual architecture tuning. Evaluated on a suite of structured multi-class classification benchmarks, BranchNet consistently outperforms XGBoost in accuracy, with statistically significant gains. We detail the architecture, training procedure, and sparsity dynamics, and discuss the model's strengths in symbolic interpretability as well as its current limitations, particularly on binary tasks where further adaptive calibration may be beneficial.
• Abstract（参考訳）: 本稿では,決定木アンサンブルを疎結合なニューラルネットワークに変換するニューロシンボリック学習フレームワークであるBranchNetを紹介する。 各枝は根から葉の親への決定経路として定義され、勾配に基づく最適化を実現しつつ、シンボル構造を保存する隠されたニューロンにマッピングされる。 結果として得られるモデルはコンパクトで解釈可能で、手動のアーキテクチャチューニングを必要としない。 構造化されたマルチクラス分類ベンチマークに基づいて評価され、BranchNetはXGBoostの精度を一貫して上回り、統計的に有意な利益を得ている。 アーキテクチャ, トレーニング手順, スパーシティダイナミクスについて詳述し, 記号的解釈可能性におけるモデルの強みと現在の限界について論じる。

関連論文リスト

• Plastic tensor networks for interpretable generative modeling [0.0874967598360817]
  対象確率分布をモデル化する単層非負適応テンソルツリー(NATT)を生成モデルのための代替パラダイムとして提案する。 NATTスキームと最近提案されたBorn Machine Adaptive Tenor Tree (BMATT) 最適化スキームについて検討し,その有効性を示す。
  論文  参考訳（メタデータ） (2025-04-09T09:23:11Z)
• Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning [115.79349923044663]
  FSCIL(Few-shot class-incremental Learning)は、限られた例から新しいクラスを段階的に学習することを目的としている。 静的アーキテクチャは固定パラメータ空間に依存して、逐次到着するデータから学習し、現在のセッションに過度に適合する傾向がある。 本研究では,FSCILにおける選択状態空間モデル(SSM)の可能性について検討する。
  論文  参考訳（メタデータ） (2024-07-08T17:09:39Z)
• Coding schemes in neural networks learning classification tasks [52.22978725954347]
  完全接続型広義ニューラルネットワーク学習タスクについて検討する。 ネットワークが強力なデータ依存機能を取得することを示す。 驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
  論文  参考訳（メタデータ） (2024-06-24T14:50:05Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• Towards Understanding the Link Between Modularity and Performance in Neural Networks for Reinforcement Learning [2.038038953957366]
  最適性能のためのネットワークモジュラリティの量は、ネットワークの他の多くの特徴と問題環境の間の複雑な関係に絡み合っている可能性が高い。 我々は、ニューラルネットワークアーキテクチャのリッチで自動最適化と探索を可能にする古典的な神経進化アルゴリズムを使用した。
  論文  参考訳（メタデータ） (2022-05-13T05:18:18Z)
• Modeling Structure with Undirected Neural Networks [20.506232306308977]
  任意の順序で実行できる計算を指定するためのフレキシブルなフレームワークである、非指向型ニューラルネットワークを提案する。 さまざまなタスクにおいて、非構造的かつ構造化された非指向型ニューラルアーキテクチャの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-08T10:06:51Z)
• Random Graph-Based Neuromorphic Learning with a Layer-Weaken Structure [4.477401614534202]
  我々は,ランダムグラフ理論を実践的な意味でNNモデルに変換し,各ニューロンの入出力関係を明らかにする。 この低演算コストアプローチでは、ニューロンはいくつかのグループに割り当てられ、接続関係はそれらに属するランダムグラフの一様表現とみなすことができる。 本稿では,複数のRGNN間の情報インタラクションを含む共同分類機構を開発し,教師付き学習における3つのベンチマークタスクの大幅な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-11-17T03:37:06Z)
• Sparsely ensembled convolutional neural network classifiers via reinforcement learning [0.0]
  畳み込みニューラルネットワーク(CNN)は,最小動作原理にインスパイアされた目的関数で学習する。 我々はエージェントに事前学習した分類器の集合を通してイメージを知覚するように教え、その結果、動的に構成されたシステムに計算グラフを展開させたい。 実験の結果,エージェントが計算の動的(および文脈に依存した)構造を利用すると,従来のアンサンブル学習よりも優れることがわかった。
  論文  参考訳（メタデータ） (2021-02-07T21:26:57Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)

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。