論文の概要: Neural Reasoning for Robust Instance Retrieval in $\mathcal{SHOIQ}$

• arxiv url: http://arxiv.org/abs/2510.20457v1
• Date: Thu, 23 Oct 2025 11:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.836849
• Title: Neural Reasoning for Robust Instance Retrieval in $\mathcal{SHOIQ}$
• Title（参考訳）: $\mathcal{SHOIQ}$におけるロバストインスタンス検索のためのニューラル推論
• Authors: Louis Mozart Kamdem Teyou, Luke Friedrichs, N'Dah Jean Kouagou, Caglar Demir, Yasir Mahmood, Stefan Heindorf, Axel-Cyrille Ngonga Ngomo,
• Abstract要約: EBRと呼ばれる新しい神経推論器を提案する。 EBRはシンボリック推論器の結果を近似するために埋め込みに依存している。 以上の結果から,ERRは既存の推論とは対照的に,欠落データや誤データに対して堅牢であることが示唆された。
• 参考スコア（独自算出の注目度）: 11.346579578390402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concept learning exploits background knowledge in the form of description logic axioms to learn explainable classification models from knowledge bases. Despite recent breakthroughs in neuro-symbolic concept learning, most approaches still cannot be deployed on real-world knowledge bases. This is due to their use of description logic reasoners, which are not robust against inconsistencies nor erroneous data. We address this challenge by presenting a novel neural reasoner dubbed EBR. Our reasoner relies on embeddings to approximate the results of a symbolic reasoner. We show that EBR solely requires retrieving instances for atomic concepts and existential restrictions to retrieve or approximate the set of instances of any concept in the description logic $\mathcal{SHOIQ}$. In our experiments, we compare EBR with state-of-the-art reasoners. Our results suggest that EBR is robust against missing and erroneous data in contrast to existing reasoners.
• Abstract（参考訳）: 概念学習は、知識ベースから説明可能な分類モデルを学ぶために、記述論理公理の形で背景知識を利用する。 近年のニューロシンボリックな概念学習の進歩にもかかわらず、ほとんどのアプローチは現実世界の知識ベースに展開することはできない。 これは、不整合や誤ったデータに対して堅牢でない記述論理推論子の使用によるものである。 EBRと呼ばれる新しい神経推論器を提示することで、この問題に対処する。 我々の推論器は、シンボリック推論器の結果を近似するために埋め込みに依存する。 EBR は、原子概念のインスタンスの検索と、記述論理 $\mathcal{SHOIQ}$ の任意の概念のインスタンスの集合を検索または近似するために、存在制約のみを必要とすることを示す。 実験では、ERRと最先端の推論器を比較した。 以上の結果から,ERRは既存の推論とは対照的に,欠落データや誤データに対して堅牢であることが示唆された。

関連論文リスト

• Neuro-Argumentative Learning with Case-Based Reasoning [12.489784979345654]
  本稿では,データ駆動型ニューロシンボリック分類モデルであるGradual Abstract Argumentation for Case-Based Reasoning (Gradual AA-CBR)を紹介する。 議論の各議論は、トレーニングデータから観察されたケースであり、ラベル付けを好んでいる。 ケースは、各議論の強さと、勾配に基づく手法で学んだ関係によって、反対または同意するラベルを持つ人々を攻撃するか、または支援する。
  論文  参考訳（メタデータ） (2025-05-21T16:49:47Z)
• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  カリキュラムベースの論理認識型チューニングフレームワークであるLACTを提案する。 具体的には、任意の一階論理クエリをバイナリツリー分解によって拡張する。 広く使われているデータセットに対する実験では、LATは高度な手法よりも大幅に改善(平均+5.5% MRRスコア)し、新しい最先端技術を実現している。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• Inference of Abstraction for a Unified Account of Reasoning and Learning [0.0]
  我々は、推論と学習の統一的な説明のために、単純な確率的推論の理論を与える。 我々は、形式論理におけるその満足度の観点から、データがどのように象徴的な知識を引き起こすかをモデル化する。
  論文  参考訳（メタデータ） (2024-02-14T09:43:35Z)
• Dual Box Embeddings for the Description Logic EL++ [16.70961576041243]
  知識グラフ(KG)と同様に、知識グラフはしばしば不完全であり、それらの維持と構築は困難であることが証明された。 KGsと同様に、有望なアプローチは、潜在ベクトル空間への埋め込みを学習し、基礎となるDLのセマンティクスに固執することである。 そこで本研究では,概念と役割をボックスとして表現した,DL EL++用のBox$2$ELという新しいオントロジー埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2023-01-26T14:13:37Z)
• MetaLogic: Logical Reasoning Explanations with Fine-Grained Structure [129.8481568648651]
  複雑な実生活シナリオにおけるモデルの論理的推論能力を調べるためのベンチマークを提案する。 推論のマルチホップ連鎖に基づいて、説明形式は3つの主成分を含む。 この新たな説明形式を用いて,現在のベストモデルの性能を評価した。
  論文  参考訳（メタデータ） (2022-10-22T16:01:13Z)
• Abstract Reasoning via Logic-guided Generation [65.92805601327649]
  抽象的推論、すなわち、与えられた観測から複雑なパターンを推測することは、人工知能の中心的な構成要素である。 本稿では,後者のアプローチの枠組みを設計し,人工知能と人間の知能のギャップを埋めることを目的とする。 本稿では,提案する論理の最適化問題として,抽象的推論を削減した新しい生成型DNNフレームワークであるLoGeを提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:28:24Z)
• LOREN: Logic Enhanced Neural Reasoning for Fact Verification [24.768868510218002]
  本稿では,論理誘導推論とニューラル推論を統合したファクト検証手法であるLORENを提案する。 単一の推論ユニットを直接検証する代わりに、LORENはそれを質問応答タスクにします。 実験の結果,提案手法は他の方法よりも優れており,73.43%の発熱率を達成した。
  論文  参考訳（メタデータ） (2020-12-25T13:57:04Z)
• Braid: Weaving Symbolic and Neural Knowledge into Coherent Logical Explanations [0.9023847175654603]
  ブレイドは確率論的ルールを支持する新しい論理的理性である。 本稿では、Braidで使用される推論アルゴリズムとその分散タスクベースのフレームワークによる実装について述べる。 ROCストーリークローゼテストにおけるブレイドの評価を行い,最先端の結果に近づいた結果を得た。
  論文  参考訳（メタデータ） (2020-11-26T15:36:06Z)
• 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)

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。