論文の概要: Logic Tensor Network-Enhanced Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2601.03839v1
• Date: Wed, 07 Jan 2026 12:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.190147
• Title: Logic Tensor Network-Enhanced Generative Adversarial Network
• Title（参考訳）: 論理テンソルネットワークによるジェネレーティブ・ディバイザ・ネットワーク
• Authors: Nijesh Upreti, Vaishak Belle,
• Abstract要約: GAN(Generative Adversarial Networks)を強化する新しいフレームワークであるLTN-GAN(Logic Network-Enhanced Generative Adversarial Network)を紹介する。 我々は,合成データセット(ガウス,グリッド,リング)やMNISTデータセットなど,複数のデータセットにわたるLTN-GANを評価する。 この研究は、知識集約ドメインにおける生成モデリングを強化するニューロシンボリックアプローチの可能性を強調している。
• 参考スコア（独自算出の注目度）: 2.3791444696448085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce Logic Tensor Network-Enhanced Generative Adversarial Network (LTN-GAN), a novel framework that enhances Generative Adversarial Networks (GANs) by incorporating Logic Tensor Networks (LTNs) to enforce domain-specific logical constraints during the sample generation process. Although GANs have shown remarkable success in generating realistic data, they often lack mechanisms to incorporate prior knowledge or enforce logical consistency, limiting their applicability in domains requiring rule adherence. LTNs provide a principled way to integrate first-order logic with neural networks, enabling models to reason over and satisfy logical constraints. By combining the strengths of GANs for realistic data synthesis with LTNs for logical reasoning, we gain valuable insights into how logical constraints influence the generative process while improving both the diversity and logical consistency of the generated samples. We evaluate LTN-GAN across multiple datasets, including synthetic datasets (gaussian, grid, rings) and the MNIST dataset, demonstrating that our model significantly outperforms traditional GANs in terms of adherence to predefined logical constraints while maintaining the quality and diversity of generated samples. This work highlights the potential of neuro-symbolic approaches to enhance generative modeling in knowledge-intensive domains.
• Abstract（参考訳）: 本稿では,Logic Tensor Network-Enhanced Generative Adversarial Network (LTN-GAN)を紹介する。 GANは現実的なデータ生成において顕著な成功を収めてきたが、多くの場合、事前の知識を取り入れたり、論理的な一貫性を強制するメカニズムが欠如しており、規則の遵守を必要とする領域で適用性を制限する。 LTNは、ニューラルネットワークと一階述語論理を統合するための原則的な方法を提供し、モデルが論理的制約を推論し、満足することを可能にする。 実データ合成におけるGANの強みを論理的推論のためのLTNと組み合わせることで、生成過程に論理的制約がどう影響するかを洞察し、生成したサンプルの多様性と論理的整合性の両方を改善した。 我々は、合成データセット(ガウス、グリッド、リング)やMNISTデータセットを含む複数のデータセットにわたるLTN-GANを評価し、生成したサンプルの品質と多様性を維持しつつ、予め定義された論理的制約に固執するという点で、我々のモデルが従来のGANよりも著しく優れていることを実証した。 この研究は、知識集約ドメインにおける生成モデリングを強化するニューロシンボリックアプローチの可能性を強調している。

関連論文リスト

• CaTs and DAGs: Integrating Directed Acyclic Graphs with Transformers and Fully-Connected Neural Networks for Causally Constrained Predictions [6.745494093127968]
  CFCN(Causal Fully-Connected Neural Networks)とCaT(Causal Transformers)を紹介する。 CFCNsとCaTsは、DAG(Directed Acyclic Graph)によって規定された、予め定義された因果制約の下で動作する これらのモデルは、基盤となる構造的制約に固執しながら、従来のニューラルネットワークの強力な関数近似能力を保持します。
  論文  参考訳（メタデータ） (2024-10-18T14:10:16Z)
• A Neuro-Symbolic Approach to Multi-Agent RL for Interpretability and Probabilistic Decision Making [42.503612515214044]
  マルチエージェント強化学習(MARL)は、複数のエージェントが共存し、共有リソースと競合するシステムにおいて、実行時の意思決定に適している。 ディープラーニングベースの一般的なMARLソリューションを実世界の問題に適用することは、解釈可能性、サンプル効率、部分観測可能性などの問題に悩まされる。 本稿では,ニューロシンボリック手法を用いて,意思決定を分散協調的MARLエージェントで処理するイベント駆動型定式化を提案する。
  論文  参考訳（メタデータ） (2024-02-21T00:16:08Z)
• 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)
• 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)
• 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)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• Randomly Weighted, Untrained Neural Tensor Networks Achieve Greater Relational Expressiveness [3.5408022972081694]
  ランダムに描画された未学習テンソルをトレーニングされたデコーダネットワークを備えたネットワークに組み込むランダム重み付きネットワーク(RWTN)を提案する。 RWTNは、画像解釈(SIITN)のために伝統的に訓練されたLTNのパフォーマンスを満たすか、超えるかを示す。 RWTNは、学習に少ないパラメータを使用しながら、オブジェクト分類においてLTNと同等のパフォーマンスを達成できることを実証する。
  論文  参考訳（メタデータ） (2020-06-01T19:36:29Z)
• Logical Natural Language Generation from Open-Domain Tables [107.04385677577862]
  本稿では,その事実に関連付けられた自然言語文をモデルで生成するタスクを提案する。 提案した論理的 NLG 問題の研究を容易にするために,幅広い論理的・記号的推論を特徴とする既存の TabFact データセットcitechen 2019tabfact を用いる。 新しいタスクは、シーケンス順序と論理順序のミスマッチのため、既存のモノトニック生成フレームワークに課題をもたらす。
  論文  参考訳（メタデータ） (2020-04-22T06:03:10Z)
• Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
  マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。 MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。 本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
  論文  参考訳（メタデータ） (2020-01-29T23:34:36Z)

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。