論文の概要: Neurosymbolic Deep Learning Semantics

• arxiv url: http://arxiv.org/abs/2511.02825v1
• Date: Tue, 04 Nov 2025 18:51:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:06.157814
• Title: Neurosymbolic Deep Learning Semantics
• Title（参考訳）: ニューロシンボリック深層学習セマンティックス
• Authors: Artur d'Avila Garcez, Simon Odense,
• Abstract要約: 私たちは、ディープラーニングに必要なセマンティクスを提供するために、ニューロシンボリックなフレームワークでロジックを使用します。 ディープラーニングとニューロシンボリックAIは、望ましい性質が満足されることを保証するための一般的な条件セットを欠いている。 ニューラルネットワークと論理のマッピングを明確にし,セマンティックエンコーディングのためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.02291770711277359
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence (AI) is a powerful new language of science as evidenced by recent Nobel Prizes in chemistry and physics that recognized contributions to AI applied to those areas. Yet, this new language lacks semantics, which makes AI's scientific discoveries unsatisfactory at best. With the purpose of uncovering new facts but also improving our understanding of the world, AI-based science requires formalization through a framework capable of translating insight into comprehensible scientific knowledge. In this paper, we argue that logic offers an adequate framework. In particular, we use logic in a neurosymbolic framework to offer a much needed semantics for deep learning, the neural network-based technology of current AI. Deep learning and neurosymbolic AI lack a general set of conditions to ensure that desirable properties are satisfied. Instead, there is a plethora of encoding and knowledge extraction approaches designed for particular cases. To rectify this, we introduced a framework for semantic encoding, making explicit the mapping between neural networks and logic, and characterizing the common ingredients of the various existing approaches. In this paper, we describe succinctly and exemplify how logical semantics and neural networks are linked through this framework, we review some of the most prominent approaches and techniques developed for neural encoding and knowledge extraction, provide a formal definition of our framework, and discuss some of the difficulties of identifying a semantic encoding in practice in light of analogous problems in the philosophy of mind.
• Abstract（参考訳）: 人工知能(AI)は、最近のノーベル化学・物理学賞によって証明された科学の強力な新言語であり、これらの分野に適用されたAIへの貢献を認めている。 しかし、この新しい言語は意味論を欠いているため、AIの科学的発見は概して満足できない。 新たな事実を明らかにするだけでなく、世界の理解を向上させるために、AIベースの科学は、洞察を理解可能な科学的知識に翻訳することのできるフレームワークを通じて、フォーマル化を必要とする。 本稿では、論理が適切なフレームワークを提供すると論じる。 特に、私たちはニューロシンボリックなフレームワークでロジックを使用して、現在のAIのニューラルネットワークベースの技術であるディープラーニングに必要なセマンティクスを提供します。 ディープラーニングとニューロシンボリックAIは、望ましい性質が満足されることを保証するための一般的な条件セットを欠いている。 代わりに、特定のケースのために設計されたエンコーディングと知識抽出アプローチが多用されている。 これを修正するために,ニューラルネットワークとロジック間のマッピングを明確にし,既存手法の共通成分を特徴付けるセマンティックエンコーディングフレームワークを導入した。 本稿では,この枠組みを通じて論理的意味論とニューラルネットワークがどのように結びついているのかを簡潔かつ実証的に記述し,ニューラルエンコーディングとナレッジ抽出のために開発された最も顕著なアプローチと技法を概説し,我々の枠組みの形式的定義を提供し,心の哲学における類似問題に照らして実際に意味的エンコーディングを特定することの難しさについて論じる。

関連論文リスト

• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Extensions to Generalized Annotated Logic and an Equivalent Neural Architecture [4.855957436171202]
  本稿では,ニューロシンボリックシステムに対する望ましい基準のリストを提案し,既存のアプローチのいくつかがこれらの基準にどう対処するかを検討する。 次に、等価なニューラルアーキテクチャの作成を可能にするアノテーション付き一般化論理の拡張を提案する。 トレーニングプロセスの継続的な最適化に依存する従来のアプローチとは異なり、当社のフレームワークは、離散最適化を使用する二項化ニューラルネットワークとして設計されている。
  論文  参考訳（メタデータ） (2023-02-23T17:39:46Z)
• A Semantic Framework for Neuro-Symbolic Computing [0.36832029288386137]
  ニューロシンボリックAIの分野は、ニューラルネットワークとシンボリックシステムの組み合わせの恩恵を受けることを目的としている。 エンコーディングの一般的な定義は存在せず、ニューロシンボリック法を正確に理論的に比較することが可能である。 本稿では,ニューロシンボリックAIのセマンティックフレームワークを導入することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-22T22:00:58Z)
• Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
  ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
  論文  参考訳（メタデータ） (2022-10-28T04:38:10Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)

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。