論文の概要: Visual Perceptual to Conceptual First-Order Rule Learning Networks

• arxiv url: http://arxiv.org/abs/2604.07897v1
• Date: Thu, 09 Apr 2026 07:11:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.759201
• Title: Visual Perceptual to Conceptual First-Order Rule Learning Networks
• Title（参考訳）: 概念的一階ルール学習ネットワークに対する視覚的知覚
• Authors: Kun Gao, Davide Soldà, Thomas Eiter, Katsumi Inoue,
• Abstract要約: ILPは、画像定数置換から規則構造誘導まで、完全に微分可能なパイプラインを提供する。 ILPは古典的シンボリック・リレーショナル・データセットやリレーショナル・イメージ・データに強い性能を発揮する。
• 参考スコア（独自算出の注目度）: 16.50659243460847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning rules plays a crucial role in deep learning, particularly in explainable artificial intelligence and enhancing the reasoning capabilities of large language models. While existing rule learning methods are primarily designed for symbolic data, learning rules from image data without supporting image labels and automatically inventing predicates remains a challenge. In this paper, we tackle these inductive rule learning problems from images with a framework called γILP, which provides a fully differentiable pipeline from image constant substitution to rule structure induction. Extensive experiments demonstrate that γILP achieves strong performance not only on classical symbolic relational datasets but also on relational image data and pure image datasets, such as Kandinsky patterns.
• Abstract（参考訳）: 学習規則はディープラーニング、特に説明可能な人工知能において重要な役割を担い、大規模言語モデルの推論能力を高める。 既存のルール学習法は主にシンボルデータ用に設計されているが、画像ラベルをサポートしずに画像データからルールを学習し、自動的に述語を発明することは依然として課題である。 本稿では,画像からの帰納的ルール学習問題にγILPというフレームワークを用いて取り組み,画像定数置換から規則構造帰納への完全微分可能なパイプラインを提供する。 大規模な実験により、γILPは古典的シンボリックリレーショナルデータセットだけでなく、カンディンスキーパターンのようなリレーショナルイメージデータや純粋なイメージデータセットにも強い性能を発揮することが示された。

関連論文リスト

• Differentiable Rule Induction from Raw Sequence Inputs [19.84904867965846]
  ルール学習ベースのモデルは、高度に解釈可能なシナリオで広く利用されている。 微分可能なILPモデルは、ニューラルネットワークを活用して堅牢性とスケーラビリティを向上させることにより、このプロセスを強化する。 ラベルリークのない生データからルール学習が可能な,新たな識別可能なILPモデルを備えた自己教師付き識別可能なクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2026-02-14T03:54:08Z)
• Structure-aware Contrastive Learning for Diagram Understanding of Multimodal Models [0.609170287691728]
  本稿では,視覚言語モデルにおける図形画像の理解を高めるための新しい訓練パラダイムを提案する。 本手法により, より構造化され, セマンティックに整合した図形内容の理解が構築できる。
  論文  参考訳（メタデータ） (2025-09-02T05:02:23Z)
• Transductive One-Shot Learning Meet Subspace Decomposition [0.0]
  ワンショット学習は、1つのラベル付き画像に基づいて、新しく導入され、目に見えないクラスを認識するために、事前訓練されたモデルを適用することに焦点を当てる。 本稿では,サブスペースの分解を利用して,サポートセット内のラベル付き画像とクエリセット内のラベルなし画像からの情報を活用するための,トランスダクティブなワンショット学習手法を提案する。 提案手法は,1つのラベル付き画像から新しいクラスに効果的に一般化することができる。
  論文  参考訳（メタデータ） (2025-04-01T02:00:16Z)
• Learning Visual-Semantic Subspace Representations [49.17165360280794]
  我々は,自己教師型学習に有効な情報理論の原理を基礎として,核ノルムに基づく損失関数を導入する。 この損失の理論的特徴として、クラス性の促進に加えて、部分空間格子内のデータのスペクトル幾何学を符号化していることを示す。
  論文  参考訳（メタデータ） (2024-05-25T12:51:38Z)
• Learning Symbolic Rules over Abstract Meaning Representations for Textual Reinforcement Learning [63.148199057487226]
  本稿では,汎用的な意味一般化とルール誘導システムを組み合わせて,解釈可能なルールをポリシーとして学習するモジュール型 NEuroSymbolic Textual Agent (NESTA) を提案する。 実験の結果,NESTA法は,未確認テストゲームや少ないトレーニングインタラクションから学習することで,深層強化学習技術よりも優れることがわかった。
  論文  参考訳（メタデータ） (2023-07-05T23:21:05Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• pix2rule: End-to-end Neuro-symbolic Rule Learning [84.76439511271711]
  本稿では,画像のオブジェクトへの処理,学習関係,論理規則に関する完全なニューロシンボリックな手法を提案する。 主な貢献は、シンボリックリレーションとルールを抽出できるディープラーニングアーキテクチャにおける差別化可能なレイヤである。 我々のモデルは最先端のシンボリックラーナーを超えてスケールし、ディープリレーショナルニューラルネットワークアーキテクチャよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2021-06-14T15:19:06Z)
• Curious Representation Learning for Embodied Intelligence [81.21764276106924]
  近年,自己指導型表現学習は顕著な成功を収めている。 しかし、真にインテリジェントなエージェントを構築するためには、環境から学習できる表現学習アルゴリズムを構築する必要がある。 本稿では,強化学習方針と視覚的表現モデルを同時に学習する,好奇心をそそる表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-03T17:59:20Z)
• Learning semantic Image attributes using Image recognition and knowledge graph embeddings [0.3222802562733786]
  本稿では,知識グラフ埋め込みモデルと認識された画像の属性を組み合わせることで,画像の意味的属性を学習するための共有学習手法を提案する。 提案されたアプローチは、大量のデータから学習するフレームワークと、新しい知識を推論するために限定的な述語を使用するフレームワークのギャップを埋めるためのステップである。
  論文  参考訳（メタデータ） (2020-09-12T15:18:48Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)

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。