論文の概要: Logic of Hypotheses: from Zero to Full Knowledge in Neurosymbolic Integration

• arxiv url: http://arxiv.org/abs/2509.21663v1
• Date: Thu, 25 Sep 2025 22:31:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.059734
• Title: Logic of Hypotheses: from Zero to Full Knowledge in Neurosymbolic Integration
• Title（参考訳）: 仮説の論理:ニューロシンボリック統合におけるゼロから完全知識へ
• Authors: Davide Bizzaro, Alessandro Daniele,
• Abstract要約: ニューロシンボリック統合(NeSy)は、ニューラルネットワーク学習とシンボリック推論をブレンドする。 本稿では,データ駆動型ルール学習を記号的先行と専門知識で統一する新言語LoHについて紹介する。
• 参考スコア（独自算出の注目度）: 46.43084711486819
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurosymbolic integration (NeSy) blends neural-network learning with symbolic reasoning. The field can be split between methods injecting hand-crafted rules into neural models, and methods inducing symbolic rules from data. We introduce Logic of Hypotheses (LoH), a novel language that unifies these strands, enabling the flexible integration of data-driven rule learning with symbolic priors and expert knowledge. LoH extends propositional logic syntax with a choice operator, which has learnable parameters and selects a subformula from a pool of options. Using fuzzy logic, formulas in LoH can be directly compiled into a differentiable computational graph, so the optimal choices can be learned via backpropagation. This framework subsumes some existing NeSy models, while adding the possibility of arbitrary degrees of knowledge specification. Moreover, the use of Goedel fuzzy logic and the recently developed Goedel trick yields models that can be discretized to hard Boolean-valued functions without any loss in performance. We provide experimental analysis on such models, showing strong results on tabular data and on the Visual Tic-Tac-Toe NeSy task, while producing interpretable decision rules.
• Abstract（参考訳）: ニューロシンボリック統合(NeSy)は、ニューラルネットワーク学習とシンボリック推論をブレンドする。 フィールドは、手作りのルールをニューラルモデルに注入するメソッドと、データからシンボリックルールを誘導するメソッドに分けられる。 仮説論理(LoH:Logic of hypotheses)は、これらの鎖を統一する新しい言語であり、データ駆動型ルール学習を記号的先行と専門家の知識とフレキシブルな統合を可能にする。 LoHは選択演算子で命題論理の構文を拡張し、学習可能なパラメータを持ち、オプションのプールからサブフォーミュラを選択する。 ファジィ論理を用いて、LoHの式は直接微分可能な計算グラフにコンパイルできるので、最適な選択はバックプロパゲーションによって学習することができる。 このフレームワークは、いくつかの既存のNeSyモデルを仮定し、任意のレベルの知識仕様を追加する。 さらに、Goedelファジィ論理と最近開発されたGoedelトリックを用いることで、性能を損なうことなく、ハードブール値関数に識別できるモデルが得られる。 解析可能な決定ルールを作成しながら,表形式のデータや視覚的触覚のNeSyタスクに対して強い結果を示す実験的な分析を行う。

関連論文リスト

• Noise to the Rescue: Escaping Local Minima in Neurosymbolic Local Search [50.24983453990065]
  結合と解離を min と max で表す Godel 論理に BP を適用することは SAT 問題解決のための局所探索アルゴリズムと等価であることを示す。 本稿では,モデルのロジットに雑音を付加し,局所最適化から逃れるゴデルトリックを提案する。
  論文  参考訳（メタデータ） (2025-03-03T18:42:13Z)
• On Scaling Neurosymbolic Programming through Guided Logical Inference [1.124958340749622]
  そこで我々は,論理的証明の計算をバイパスするアルゴリズムNLを提案する。 このアプローチは, ApproxDPNL と呼ばれる $epsilon$ あるいは $(epsilon, delta)$ 保証を用いて近似推論に適応可能であることを示す。
  論文  参考訳（メタデータ） (2025-01-30T08:49:25Z)
• Towards Probabilistic Inductive Logic Programming with Neurosymbolic Inference and Relaxation [0.0]
  本稿では,欠陥や確率的背景知識を扱うPropperを提案する。 ノイズの多いイメージのリレーショナルパターンでは、Propperは8つの例からプログラムを学ぶことができる。 グラフニューラルネットワークのようなバイナリILPや統計モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-08-21T06:38:49Z)
• Fuzzy Datalog$^\exists$ over Arbitrary t-Norms [5.464669506214195]
  ニューロ・シンボリックAIの領域における大きな課題の1つは、ニューラルデータとシンボリックデータの両方の存在下で論理的推論を行うことである。 これは知識グラフ、ニューラルモデル予測、構造化データベース、クラウドソースデータなどの異種データソースを組み合わせる必要がある。 規則体における古典的な接続の代わりとして任意のt-ノルムを許容することにより、規則ベースの標準言語Datalogをその設定に存在規則で一般化する。 結果のフォーマリズムにより、計算複雑性結果の保存と確立された推論技術の適用性を保ちながら、関連するデータを不確実性の度合いで推論することが可能となる。
  論文  参考訳（メタデータ） (2024-03-05T12:51:40Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Neuro-Symbolic Recommendation Model based on Logic Query [16.809190067920387]
  本稿では,ユーザ履歴のインタラクションを論理表現に変換するニューロシンボリックレコメンデーションモデルを提案する。 論理式はニューラルネットワークのモジュラー論理演算に基づいて計算される。 3つのよく知られたデータセットによる実験により,本手法は浅部,深部,セッション,推論モデルと比較し,性能が良好であることが確認された。
  論文  参考訳（メタデータ） (2023-09-14T10:54:48Z)
• Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
  我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。 他のものと比較して、LNNは古典的なブール論理と強く結びついている。 標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
  論文  参考訳（メタデータ） (2021-12-06T19:38:30Z)

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。