論文の概要: On Improving Neurosymbolic Learning by Exploiting the Representation Space

• arxiv url: http://arxiv.org/abs/2602.07973v1
• Date: Sun, 08 Feb 2026 13:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.899577
• Title: On Improving Neurosymbolic Learning by Exploiting the Representation Space
• Title（参考訳）: 表現空間の爆発によるニューロシンボリック学習の改善について
• Authors: Aaditya Naik, Efthymia Tsamoura, Shibo Jin, Mayur Naik, Dan Roth,
• Abstract要約: 本稿では,入力インスタンスの隠されたゴールドラベルが論理式を満たすニューロシンボリック・セッティングにおけるニューラル分類器の学習問題について検討する。 ひとつの課題は、ラベルの組み合わせの空間が指数関数的に成長し、学習を困難にすることです。 類似の潜在表現を持つインスタンスが同じラベルを共有できるという直感を利用して,この空間を刺激する手法を提案する。
• 参考スコア（独自算出の注目度）: 54.16389421332958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of learning neural classifiers in a neurosymbolic setting where the hidden gold labels of input instances must satisfy a logical formula. Learning in this setting proceeds by first computing (a subset of) the possible combinations of labels that satisfy the formula and then computing a loss using those combinations and the classifiers' scores. One challenge is that the space of label combinations can grow exponentially, making learning difficult. We propose a technique that prunes this space by exploiting the intuition that instances with similar latent representations are likely to share the same label. While this intuition has been widely used in weakly supervised learning, its application in our setting is challenging due to label dependencies imposed by logical constraints. We formulate the pruning process as an integer linear program that discards inconsistent label combinations while respecting logical structure. Our approach, CLIPPER, is orthogonal to existing training algorithms and can be seamlessly integrated with them. Across 16 benchmarks over complex neurosymbolic tasks, we demonstrate that CLIPPER boosts the performance of state-of-the-art neurosymbolic engines like Scallop, Dolphin, and ISED by up to 48%, 53%, and 8%, leading to state-of-the-art accuracies.
• Abstract（参考訳）: 本稿では,入力インスタンスの隠されたゴールドラベルが論理式を満たすニューロシンボリック・セッティングにおけるニューラル分類器の学習問題について検討する。 この設定での学習は、式を満たすラベルの組み合わせを計算し(そのサブセット)、それらの組み合わせと分類器のスコアを使って損失を計算する。 ひとつの課題は、ラベルの組み合わせの空間が指数関数的に成長し、学習を困難にすることです。 類似の潜在表現を持つインスタンスが同じラベルを共有できるという直感を利用して,この空間を刺激する手法を提案する。 この直観は、弱教師付き学習において広く用いられてきたが、論理的制約によるラベル依存のため、我々の設定での応用は困難である。 我々は、論理構造を尊重しながら、一貫性のないラベルの組み合わせを捨てる整数線形プログラムとしてプルーニング過程を定式化する。 私たちのアプローチであるCLIPPERは、既存のトレーニングアルゴリズムと直交しており、それらをシームレスに統合することができます。 16のベンチマークで、CLIPPERはScallop、Dolphin、ISEDなどの最先端のニューロシンボリックエンジンの性能を最大48%、53%、8%向上させ、最先端のアキュラシーをもたらすことを示した。

関連論文リスト

• Logic of Hypotheses: from Zero to Full Knowledge in Neurosymbolic Integration [46.43084711486819]
  ニューロシンボリック統合(NeSy)は、ニューラルネットワーク学習とシンボリック推論をブレンドする。 本稿では,データ駆動型ルール学習を記号的先行と専門知識で統一する新言語LoHについて紹介する。
  論文  参考訳（メタデータ） (2025-09-25T22:31:43Z)
• Enhancing Symbolic Machine Learning by Subsymbolic Representations [2.4280350854512673]
  ニューラル埋め込みにアクセスできるようにすることで、シンボリックな機械学習手法を強化することを提案する。 実世界の3つの領域の実験において、この単純で効果的なアプローチは、F1スコアの点で他のすべてのベースライン法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-17T14:26:21Z)
• Verification Learning: Make Unsupervised Neuro-Symbolic System Feasible [49.084647802326366]
  本稿では,Nesyにおけるラベルに基づく推論プロセスをラベルのない検証プロセスに変換する,新しい学習パラダイムであるVerification Learning(VL)を紹介する。 VLは、ラベルのないデータと、現在の予測が規則に準拠しているかどうかを検証する関数にのみ依存することにより、優れた学習結果を得る。 我々の理論的分析は、Nesyシステム内のどのタスクがラベルなしで完了できるかを指摘し、なぜルールが無限ラベルを置き換えられるのかを説明している。
  論文  参考訳（メタデータ） (2025-03-17T08:28:58Z)
• Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning [8.387189407144403]
  我々は、完全注釈付きデータセットのキュレーションが高価である問題に対する効果的な学習パラダイムとして、弱い教師付き学習を動機付けている。 PLL(Partial Learning)は、各トレーニングインスタンスが候補ラベルのセットとペアリングされる、弱い教師付き学習パラダイムである。 本稿では,近傍の重み付けアルゴリズムを用いて,まず画像に擬似ラベルを割り当てるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-07T13:32:47Z)
• Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
  LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
  論文  参考訳（メタデータ） (2023-08-24T06:50:07Z)
• 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)
• Learning with Holographic Reduced Representations [28.462635977110413]
  Holographic Reduced Representations (HRR)は、実数値ベクトル上でシンボリックAIを実行する方法である。 本稿では,ハイブリッド型ニューラルシンボリック・アプローチが学習に有効かどうかを理解するために,このアプローチを再考する。
  論文  参考訳（メタデータ） (2021-09-05T19:37:34Z)
• Neural Active Learning with Performance Guarantees [37.16062387461106]
  非パラメトリックなレシエーションにおけるストリーミング環境におけるアクティブラーニングの問題について検討する。 我々は最近提案されたニューラル・タンジェント・カーネル(NTK)近似ツールを用いて、アルゴリズムが操作する特徴空間と学習したモデルを上から計算する適切なニューラル埋め込みを構築する。
  論文  参考訳（メタデータ） (2021-06-06T20:44:23Z)

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。