論文の概要: DeepProofLog: Efficient Proving in Deep Stochastic Logic Programs

• arxiv url: http://arxiv.org/abs/2511.08581v1
• Date: Wed, 12 Nov 2025 02:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.872837
• Title: DeepProofLog: Efficient Proving in Deep Stochastic Logic Programs
• Title（参考訳）: DeepProofLog: 深い確率論理プログラムの効率的な証明
• Authors: Ying Jiao, Rodrigo Castellano Ontiveros, Luc De Raedt, Marco Gori, Francesco Giannini, Michelangelo Diligenti, Giuseppe Marra,
• Abstract要約: 本稿では,論理プログラムに基づく新しいNeSyシステムであるDeepProofLogを紹介する。 DPrLは、すべての導出ステップをニューラルネットワークでパラメータ化し、証明システム上で効率的な神経誘導を可能にする。 標準的なNeSyベンチマークとナレッジグラフ推論タスクの実験により、DPrLが既存のNeSyシステムより優れていることを示す。
• 参考スコア（独自算出の注目度）: 30.18197334181211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurosymbolic (NeSy) AI aims to combine the strengths of neural architectures and symbolic reasoning to improve the accuracy, interpretability, and generalization capability of AI models. While logic inference on top of subsymbolic modules has been shown to effectively guarantee these properties, this often comes at the cost of reduced scalability, which can severely limit the usability of NeSy models. This paper introduces DeepProofLog (DPrL), a novel NeSy system based on stochastic logic programs, which addresses the scalability limitations of previous methods. DPrL parameterizes all derivation steps with neural networks, allowing efficient neural guidance over the proving system. Additionally, we establish a formal mapping between the resolution process of our deep stochastic logic programs and Markov Decision Processes, enabling the application of dynamic programming and reinforcement learning techniques for efficient inference and learning. This theoretical connection improves scalability for complex proof spaces and large knowledge bases. Our experiments on standard NeSy benchmarks and knowledge graph reasoning tasks demonstrate that DPrL outperforms existing state-of-the-art NeSy systems, advancing scalability to larger and more complex settings than previously possible.
• Abstract（参考訳）: Neurosymbolic (NeSy) AIは、ニューラルネットワークとシンボリック推論の強みを組み合わせて、AIモデルの正確性、解釈可能性、一般化能力を向上させることを目的としている。 サブシンボリックモジュール上での論理推論はこれらの特性を効果的に保証することが示されているが、これはスケーラビリティを低下させ、NeSyモデルのユーザビリティを著しく制限する可能性がある。 本稿では,従来の手法のスケーラビリティ制限に対処する,確率論理プログラムに基づく新しいNeSyシステムであるDeepProofLog(DPrL)を紹介する。 DPrLは、すべての導出ステップをニューラルネットワークでパラメータ化し、証明システム上で効率的な神経誘導を可能にする。 さらに,我々の深層確率論理プログラムの解法過程とマルコフ決定過程を公式にマッピングし,動的プログラミングと強化学習技術の効率的な推論と学習への応用を可能にする。 この理論接続により、複雑な証明空間と大きな知識基盤のスケーラビリティが向上する。 標準的なNeSyベンチマークとナレッジグラフ推論タスクの実験により、DPrLは既存のNeSyシステムより優れており、拡張性は従来よりも大きく、より複雑な設定に向上していることが示された。

関連論文リスト

• NeSyPr: Neurosymbolic Proceduralization For Efficient Embodied Reasoning [21.685443540926652]
  NeSyPrは、ニューロシンボリックな手続き化を通じて知識をコンパイルする、新しい具体的推論フレームワークである。 外部のシンボルガイダンスに頼ることなく、効率的なテスト時間推論をサポートする。 我々は,PDDLGym,VirtualHome,ALFWorldを具現化したベンチマーク上でNeSyPrを評価した。
  論文  参考訳（メタデータ） (2025-10-22T09:57:02Z)
• 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)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• LightCode: Light Analytical and Neural Codes for Channels with Feedback [10.619569069690185]
  我々は,通信システムに適した低複雑さの符号化方式を設計することに注力する。 まず、Schalkwijk-Kailath (SK) と Gallager-Nakibouglu (GN) にインスパイアされた解析的符号化スキームであるPowerBlast が、SK と GN のスキームに対して顕著な信頼性向上を実現していることを示す。 次に、低SNR領域の信頼性を高めるために、既存のディープラーニングベースのコードと比較して、わずかなメモリと計算を使いながら、最先端の信頼性を実現する軽量ニューラルネットワークであるLightCodeを提案する。
  論文  参考訳（メタデータ） (2024-03-16T01:04:34Z)
• 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)
• A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
  NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。 シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。 我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Latent Space Data Assimilation by using Deep Learning [0.0]
  データ同化(DA)を低コストで行うことは、地球系のモデリングにおいて主要な関心事である。 daフレームワークにディープラーニング(dl)メソッドを組み込んでいます。 本稿では,オートエンコーダ(AE)による潜時構造を利用して,モデル誤差(ETKF-Q)を潜時空間に有するEnsemble Transform Kalman Filterを設計する。
  論文  参考訳（メタデータ） (2021-04-01T12:25:55Z)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)

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。