論文の概要: DisjunctiveNet: Neural Symbolic Learning via Differentiable Convexified Optimization Layers
- arxiv url: http://arxiv.org/abs/2605.30456v1
- Date: Thu, 28 May 2026 18:27:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.171175
- Title: DisjunctiveNet: Neural Symbolic Learning via Differentiable Convexified Optimization Layers
- Title（参考訳）: DisjunctiveNet: 微分凸最適化層によるニューラルシンボリックラーニング
- Authors: Shraman Pal, Can Li,
- Abstract要約: ニューラルネットワーク内での混合線形制約を強制するための統一的なエンドツーエンドフレームワークを提案する。
提案手法が実世界のデータセットに与える影響を実証し,ルール満足度と高い予測性能を実現する。
- 参考スコア（独自算出の注目度）: 6.359239993493649
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many learning tasks in science and engineering are characterized by sparse datasets, which limits the effectiveness of purely data-driven approaches. At the same time, these problems are often accompanied by rich domain knowledge derived from physical laws, operational requirements, and expert heuristics. Such knowledge is frequently expressed as rules involving logical propositions and linear inequalities. Existing neuro-symbolic methods typically enforce these rules approximately through soft penalties, assume input-independent rules when designing specialized architectures, or rely on non-differentiable post-processing at inference time to achieve hard constraint satisfaction. While recent advances in differentiable optimization layers enable end-to-end feasibility enforcement within neural networks, extending these approaches to logical or mixed-integer rules remains challenging due to inherent nonconvexity. In this work, we propose a unified end-to-end framework for enforcing hard, input-dependent mixed integer linear constraints within neural networks. Our approach represents rules as disjunctive constraints and applies hierarchical convex relaxations to obtain convex hull formulations. These relaxations yield tractable linear constraints that can be embedded as differentiable optimization layers while enabling exact rule satisfaction. We demonstrate the effectiveness of the proposed framework on real-world datasets, achieving perfect rule satisfaction and strong predictive performance.
- Abstract（参考訳）: 科学と工学における多くの学習タスクは、純粋にデータ駆動アプローチの有効性を制限するスパースデータセットによって特徴づけられる。
同時に、これらの問題には、物理法則、運用要件、専門家のヒューリスティックスから派生した豊富なドメイン知識が伴うことが多い。
このような知識は論理命題や線形不等式を含む規則としてしばしば表現される。
既存のニューロシンボリック法は、通常、これらの規則をソフトペナルティ(英語版)を通じて概ね強制し、特別なアーキテクチャを設計する際に入力非依存の規則を仮定するか、あるいは推論時に微分不可能な後処理に依存して厳しい制約を満たす。
近年の差別化可能な最適化レイヤの進歩により、ニューラルネットワーク内でのエンドツーエンドの実現が可能になったが、これらのアプローチを論理的あるいは混合整数ルールにまで拡張することは、本質的に非凸性のため、依然として困難である。
本研究では、ニューラルネットワーク内でのハード、インプット依存型混合整数線形制約を強制する、統一的なエンドツーエンドフレームワークを提案する。
提案手法は, 規則を共役制約として表現し, 凸容器の定式化に階層凸緩和を適用した。
これらの緩和は、厳密なルール満足度を確保しつつ、微分可能な最適化層として組み込むことができる、引き込み可能な線形制約をもたらす。
提案手法が実世界のデータセットに与える影響を実証し,ルール満足度と高い予測性能を実現する。
関連論文リスト
- Enforcing Hard Linear Constraints in Deep Learning Models with Decision Rules [8.098452803458253]
本稿では、入力依存線形等式とニューラルネットワーク出力の不等式制約を強制するモデルに依存しないフレームワークを提案する。
このアーキテクチャは、予測精度のために訓練されたタスクネットワークと、実行時の決定ルールと堅牢な最適化を用いてトレーニングされた安全なネットワークを組み合わせることで、入力空間全体の実現可能性を保証する。
論文 参考訳（メタデータ） (2025-05-20T03:09:44Z) - Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。
アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。
提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
論文 参考訳（メタデータ） (2023-12-25T18:51:23Z) - Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。
制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。
私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
論文 参考訳（メタデータ） (2023-06-15T08:33:52Z) - TANGOS: Regularizing Tabular Neural Networks through Gradient
Orthogonalization and Specialization [69.80141512683254]
TANGOS(Tbular Neural Gradient Orthogonalization and gradient)を紹介する。
TANGOSは、潜在ユニット属性上に構築された表の設定を正規化するための新しいフレームワークである。
提案手法は,他の一般的な正規化手法よりも優れ,サンプル外一般化性能の向上につながることを実証する。
論文 参考訳（メタデータ） (2023-03-09T18:57:13Z) - Learning with Algorithmic Supervision via Continuous Relaxations [19.437400671428737]
エンドツーエンドのトレーニング可能なニューラルネットワークアーキテクチャにアルゴリズムを統合するアプローチを提案する。
有意義な勾配を得るために、各変数はロジスティック分布を介して摂動される。
提案した連続緩和モデルを4つの課題に対して評価し,各課題に特化して設計された緩和に追従できることを示す。
論文 参考訳（メタデータ） (2021-10-11T23:52:42Z) - Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。
提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文 参考訳（メタデータ） (2020-07-03T15:19:17Z)
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。