論文の概要: Lecture Notes on Verifying Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2510.11617v1
• Date: Mon, 13 Oct 2025 16:57:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.469481
• Title: Lecture Notes on Verifying Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークの検証に関する講義ノート
• Authors: François Schwarzentruber,
• Abstract要約: まず、グラフニューラルネットワークと一階述語論理や次数修飾論理などの論理との接続を思い出す。 次に、グラフニューラルネットワークの検証タスクを解決するために、線形不等式に数えるモーダル論理を提案する。 本稿では,その論理の満足度問題に対するアルゴリズムについて述べる。
• 参考スコア（独自算出の注目度）: 10.812772606528172
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In these lecture notes, we first recall the connection between graph neural networks, Weisfeiler-Lehman tests and logics such as first-order logic and graded modal logic. We then present a modal logic in which counting modalities appear in linear inequalities in order to solve verification tasks on graph neural networks. We describe an algorithm for the satisfiability problem of that logic. It is inspired from the tableau method of vanilla modal logic, extended with reasoning in quantifier-free fragment Boolean algebra with Presburger arithmetic.
• Abstract（参考訳）: これらの講義ノートでは、まずグラフニューラルネットワーク、Weisfeiler-Lehmanテスト、一階述語論理や次数修飾論理といった論理間の関係を思い出す。 次に、グラフニューラルネットワークの検証タスクを解決するために、線形不等式に数えるモーダル論理を提案する。 本稿では,その論理の満足度問題に対するアルゴリズムについて述べる。 これはバニラモジュラー論理のテーブルー法から着想を得ており、プリスバーグ算術を用いた量化子なしフラグメントブール代数の推論で拡張された。

関連論文リスト

• From Neural Networks to Logical Theories: The Correspondence between Fibring Modal Logics and Fibring Neural Networks [17.474679381815026]
  モーダル論理のフィブリング(英: Fibring of modal logics)は、モーダル論理の可算族を単一のフィブリング言語に結合するための、十分に確立された形式主義である。 ニューラルネットワークのファイブリングは、ニューラルネットワークにおける学習と推論を組み合わせるためのニューロシンボリックフレームワークとして導入された。
  論文  参考訳（メタデータ） (2025-09-28T14:32:42Z)
• The Correspondence Between Bounded Graph Neural Networks and Fragments of First-Order Logic [8.430502131775723]
  本稿では,一階述語論理(FO)の顕著な断片に対応するGNNアーキテクチャを提案する。 FO内のGNNの論理的表現性を理解するための統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-05-12T19:45:45Z)
• Neural logic programs and neural nets [0.0]
  まず、(ブール)ニューラルネットの解集合セマンティクスを定義し、まず第一原理からニューラルネットワークプログラムのクラスを紹介し、ネットとプログラムが等価であることを示す。
  論文  参考訳（メタデータ） (2024-06-13T19:22:04Z)
• 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)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)
• Logical Neural Networks [51.46602187496816]
  ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。 すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。 推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
  論文  参考訳（メタデータ） (2020-06-23T16:55:45Z)
• Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
  グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。 ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。 モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
  論文  参考訳（メタデータ） (2020-03-14T05:45:55Z)

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。