論文の概要: ANDRE: An Attention-based Neuro-symbolic Differentiable Rule Extractor

• arxiv url: http://arxiv.org/abs/2605.04193v1
• Date: Tue, 05 May 2026 18:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.485231
• Title: ANDRE: An Attention-based Neuro-symbolic Differentiable Rule Extractor
• Title（参考訳）: Antention-based Neuro-symbolic Differentiable Rule Extractor
• Authors: Iman Sharifi, Peng Wei, Saber Fallah,
• Abstract要約: 帰納論理プログラミングは、データから解釈可能な一階ルールを学ぶことを目的としている。 既存の象徴的なニューロシンボリックアプローチは、ノイズと確率的な設定にスケールするのに苦労する。 本稿では、注意に基づく神経象徴的差別化ルールエクストラクタ(ANDRE)を提案する。 ANDREは、ルールテンプレートと論理演算子を、完全に微分可能で、注意駆動の結合と解離演算子で置き換える。
• 参考スコア（独自算出の注目度）: 6.477319771984887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inductive Logic Programming (ILP) aims to learn interpretable first-order rules from data, but existing symbolic and neuro-symbolic approaches struggle to scale to noisy and probabilistic settings. Classical ILP relies on discrete combinatorial rule search and is brittle under uncertainty, while differentiable ILP methods typically depend on predefined rule templates or inaccurate fuzzy operators that suffer from vanishing gradients or poor approximation of logical structure when reasoning over probabilistic predicate valuations. This paper proposes an Attention-based Neuro-symbolic Differentiable Rule Extractor (ANDRE), a novel ILP framework that learns first-order logic programs by optimizing over a continuous rule space with attention-based logical operators. ANDRE replaces both rule templates and logical operators with fully differentiable, attention-driven conjunction and disjunction operators that approximate logical min-max semantics, enabling accurate, stable, and interpretable reasoning over probabilistic data. By softly selecting, negating, or excluding predicates within each rule, ANDRE supports flexible rule induction while preserving symbolic structure. Extensive experiments on classical ILP benchmarks, large-scale knowledge bases, and synthetic datasets with probabilistic predicates and noisy supervision demonstrate that ANDRE achieves competitive or superior predictive performance while reliably recovering correct symbolic rules under uncertainty. In particular, ANDRE remains robust to moderate label noise, substantially outperforming existing differentiable ILP methods in both rule extraction quality and stability.
• Abstract（参考訳）: 帰納的論理プログラミング(ILP)は、データから解釈可能な一階法則を学ぶことを目的としているが、既存の記号的・ニューロシンボリックなアプローチは、ノイズや確率的な設定にスケールするのに苦労している。 古典的 ILP は離散的な組合せ規則探索に依存しており、不確実性の下では不安定であるが、微分可能な ILP 法は一般に、確率的述語評価を論じる際に、不正確な勾配や論理構造の近似に苦しむ事前定義された規則テンプレートや不正確なファジィ作用素に依存する。 本稿では、注意に基づく論理演算子による連続ルール空間の最適化により一階論理プログラムを学習する新しいILPフレームワークである、注意に基づくニューロシンボリック微分可能ルールエクストラクタ(ANDRE)を提案する。 ANDREはルールテンプレートと論理演算子を、論理的なmin-maxセマンティクスを近似し、確率的データに対する正確で安定で解釈可能な推論を可能にする、完全に微分可能で、注目駆動の結合と解離演算子に置き換える。 各規則内で述語をソフトに選択、否定、または除外することにより、ANDREはシンボル構造を保持しながらフレキシブルな規則誘導をサポートする。 古典的ILPベンチマーク、大規模知識ベース、確率的述語による合成データセットの広範な実験は、ANDREが競合的または優れた予測性能を達成し、不確実性の下で正しい記号規則を確実に回復することを示した。 特に、ANDREは、中程度のラベルノイズに対して頑健であり、規則抽出品質と安定性の両方において、既存の差別化可能なLP法を大幅に上回っている。

関連論文リスト

• A Foundation Model for Zero-Shot Logical Rule Induction [0.0]
  ゼロショットルール誘導のための事前訓練モデルであるニューラルルールインデューサ(NRI)を導入する。 NRIはリテラルIDを符号化するのではなく、ドメインに依存しない統計特性を用いてリテラルを表現する。 製品Tノルム緩和はルール実行を差別化可能にし、予測精度だけでエンドツーエンドのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2026-05-06T13:45:31Z)
• TT-Sparse: Learning Sparse Rule Models with Differentiable Truth Tables [1.9499120576896225]
  我々は,異なる真理表をノードとして活用し,スパース接続を学習する,柔軟なニューラルネットワーク構築ブロックであるTT-Sparseを紹介した。 提案手法の鍵となる貢献は、離散的基数制約のある特徴選択を学習するためのストレートスルー推定を行うソフトなTopK演算子である。 得られたスパースルールは,既存の最先端手法と比較して,複雑さの低い予測性能が優れていることを示す。
  論文  参考訳（メタデータ） (2026-03-08T12:37:10Z)
• Logic-Parametric Neuro-Symbolic NLI: Controlling Logical Formalisms for Verifiable LLM Reasoning [13.291627429657412]
  本稿では,ニューロシンボリックな自然言語推論のための論理パラメトリックフレームワークを提案する。 古典的および非古典的形式主義を高階論理に組み込む。 論理内部戦略が一貫して性能を向上できることを示す。
  論文  参考訳（メタデータ） (2026-01-09T10:47:30Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• 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)
• Logical Credal Networks [87.25387518070411]
  本稿では,論理と確率を組み合わせた先行モデルの多くを一般化した表現的確率論的論理である論理的クレダルネットワークを紹介する。 本稿では,不確実性のあるマスターミンドゲームを解くこと,クレジットカード詐欺を検出することを含む,最大後部推論タスクの性能について検討する。
  論文  参考訳（メタデータ） (2021-09-25T00:00:47Z)
• Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction [54.06292969184476]
  シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。 本手法では,論理文の正確な意味を捉える意味的損失を用いる。 低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-20T00:16:29Z)
• RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
  本稿では知識グラフに基づく推論のための論理規則の学習について研究する。 論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。 既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
  論文  参考訳（メタデータ） (2020-10-08T14:47:02Z)
• Interpretable Random Forests via Rule Extraction [0.0]
  本稿では,ルールの短時間かつ単純なリストの形式を取り入れた,安定なルール学習アルゴリズムであるSIRUSを紹介する。 当社のR/C++ソフトウェア実装サイラスは、CRANから入手可能です。
  論文  参考訳（メタデータ） (2020-04-29T08:13:35Z)

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。