Fugu-MT 論文翻訳(概要): Symmetry breaking for inductive logic programming

論文の概要: Symmetry breaking for inductive logic programming

arxiv url: http://arxiv.org/abs/2508.06263v2
Date: Mon, 11 Aug 2025 05:05:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-12 13:12:52.31353
Title: Symmetry breaking for inductive logic programming
Title（参考訳）: 帰納論理プログラミングのための対称性の破れ
Authors: Andrew Cropper, David M. Cerna, Matti Järvisalo,
Abstract要約: 仮説空間における対称性を破る手法を提案する。視覚的推論やゲームプレイなど,複数の領域に対する実験により,本手法が1時間以上から17秒に短縮できることが判明した。
参考スコア（独自算出の注目度）: 23.251472351777934
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The goal of inductive logic programming is to search for a hypothesis that generalises training data and background knowledge. The challenge is searching vast hypothesis spaces, which is exacerbated because many logically equivalent hypotheses exist. To address this challenge, we introduce a method to break symmetries in the hypothesis space. We implement our idea in answer set programming. Our experiments on multiple domains, including visual reasoning and game playing, show that our approach can reduce solving times from over an hour to just 17 seconds.
Abstract（参考訳）: 帰納論理プログラミングの目標は、トレーニングデータとバックグラウンド知識を一般化する仮説を探索することである。問題は広大な仮説空間を探索することであり、これは多くの論理的に等価な仮説が存在するため、さらに悪化している。この課題に対処するために,仮説空間における対称性を破る手法を提案する。私たちは回答セットプログラミングでアイデアを実装します。視覚的推論やゲームプレイなど,複数の領域に対する実験により,本手法が1時間以上から17秒に短縮できることが判明した。

関連論文リスト

Symbolic Snapshot Ensembles [17.98221518812985]
本稿では,ILPアルゴリズムを1回だけ訓練し,中間仮説を保存する。ゲームプレイや視覚的推論を含む複数のベンチマーク実験により,計算オーバーヘッドが1%未満の予測精度を4%向上することを示した。
論文参考訳（メタデータ） (2025-10-28T17:01:38Z)
Explore Briefly, Then Decide: Mitigating LLM Overthinking via Cumulative Entropy Regulation [82.62935304152239]
大規模言語モデル(LLM)は、長いチェーン・オブ・ソート(CoT)推論を用いた複雑な問題に対する顕著な推論能力を示した。しばしば過度の思考に悩まされ、単純な問題に対して必要以上に長い推論ステップが生じる。本稿では, 推論過程を通じて探索範囲を計測する新しい計量量であるToken Entropy Cumulative Average(TECA)を紹介する。
論文参考訳（メタデータ） (2025-10-02T17:36:50Z)
Thinking Before You Speak: A Proactive Test-time Scaling Approach [54.8205006555199]
emphThinking Before You Speak (TBYS)という名前の推論フレームワークとして、私たちのアイデアを実装しています。インテリジェンス生成のためのコンテキスト内サンプルを自動的に収集・フィルタリングするパイプラインを設計する。挑戦的な数学的データセットの実験は、TBYSの有効性を検証する。
論文参考訳（メタデータ） (2025-08-26T03:43:32Z)
Honey, I shrunk the hypothesis space (through logical preprocessing) [19.54008511592332]
ILPシステムがそれを検索する前に仮説空間を縮めるアプローチを導入する。本手法では,学習例に関わらず,最適仮説に適さないルールを見つけるために,背景知識を用いる。実験の結果,予測精度を維持しながら学習時間を著しく短縮できることがわかった。
論文参考訳（メタデータ） (2025-06-07T09:53:02Z)
Controllable Logical Hypothesis Generation for Abductive Reasoning in Knowledge Graphs [54.596180382762036]
知識グラフの帰納的推論は、観測された実体からもっともらしい論理的仮説を生成することを目的としている。可制御性の欠如により、単一の観測は、多くの妥当だが冗長あるいは無関係な仮説をもたらす可能性がある。帰納的推論の実用性を改善するために,制御可能な仮説生成タスクを導入する。
論文参考訳（メタデータ） (2025-05-27T09:36:47Z)
Hypothesis-Driven Theory-of-Mind Reasoning for Large Language Models [76.6028674686018]
エージェントの精神状態を追跡するための推論時間推論アルゴリズムである思考トレースを導入する。提案アルゴリズムは,ベイズ理論をモデルとした。本研究は,様々なベンチマークにおける思考トレーシングを評価し,大幅な性能向上を実証した。
論文参考訳（メタデータ） (2025-02-17T15:08:50Z)
Unveiling the Magic of Code Reasoning through Hypothesis Decomposition and Amendment [54.62926010621013]
我々は,大規模言語モデルの推論能力に対する新たな視点を提供するために,新しいタスクであるコード推論を導入する。論理的推論の確立した形式に基づいて3つのメタベンチマークを要約し、8つの特定のベンチマークタスクにインスタンス化する。本稿では,人間の複雑な問題解決手法に触発された新たな経路探索パイプラインを提案する。
論文参考訳（メタデータ） (2025-02-17T10:39:58Z)
Thoughts Are All Over the Place: On the Underthinking of o1-Like LLMs [86.79757571440082]
OpenAIのo1のような大規模言語モデル(LLM)は複雑な推論タスクにおいて顕著な能力を示している。我々は、o1-like LLMがしばしば異なる理性的思考を切り替える、という現象を特定する。本稿では,思考間の早期移行を回避できる思考切替ペナルティTIPを用いた復号戦略を提案する。
論文参考訳（メタデータ） (2025-01-30T18:58:18Z)
Learning logic programs by discovering where not to search [18.27510863075184]
仮説を探す前に、まず検索しない場所を見つけるアプローチを導入する」。我々は与えられたBKを用いて、数が偶数と奇数の両方で成り立たないような仮説上の制約を発見する。複数のドメインに対する実験により,本手法は学習時間を著しく短縮できることが示された。
論文参考訳（メタデータ） (2022-02-20T12:32:03Z)
Learning logic programs by explaining their failures [26.955785230358963]
本稿では,帰納論理プログラミングにおける障害説明手法を提案する。仮説が失敗した場合、サブプログラムの失敗の観点からその失敗を説明する。きめ細かい故障解析により、仮説空間上のきめ細かい制約を学習できることを示す。
論文参考訳（メタデータ） (2021-02-18T14:32:20Z)
Learning programs by learning from failures [26.955785230358963]
本稿では,障害からの学習という,帰納的論理プログラミング(ILP)アプローチについて述べる。このアプローチでは、ILPシステムは学習問題を3つの段階(生成、テスト、制約)に分解する。本稿では,回答セットプログラミングとPrologを組み合わせることで,この手法を実現するILPシステムであるPopperを紹介する。
論文参考訳（メタデータ） (2020-05-05T14:55:07Z)
Learning large logic programs by going beyond entailment [18.27510863075184]
プログラムをインクリメンタルに構築するために、サンプル依存の損失関数によって誘導される最良優先探索を利用する新しいILPシステムであるBruteで、我々のアイデアを実装した。実験の結果,Bruteは予測精度と学習時間で既存のILPシステムを大幅に上回っていることがわかった。
論文参考訳（メタデータ） (2020-04-21T09:31:06Z)

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。