論文の概要: Accelerating NeurASP with vectorization and caching

• arxiv url: http://arxiv.org/abs/2606.10787v1
• Date: Tue, 09 Jun 2026 12:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.49459
• Title: Accelerating NeurASP with vectorization and caching
• Title（参考訳）: ベクトル化とキャッシュによるNeurASPの高速化
• Authors: Alexander Philipp Rader, Alessandra Russo,
• Abstract要約: ニューロシンボリックAIは、ニューラルネットワークとシンボルプログラムを組み合わせることで、堅牢で説明可能な予測を生成する。 そのようなフレームワークのひとつがNeurASPで、ニューラルネットワークをトレーニングして、ダウンストリームタスクを解決するために、応答セットプログラミング(ASP)で記述されたルールを使用して、概念や理由を予測する。 トレーニング中の中間計算のベクトル化、バッチ処理、キャッシュによる計算性能の向上により、NeurASPの現在の限界に対処する。
• 参考スコア（独自算出の注目度）: 87.64775424448453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurosymbolic AI combines neural networks with symbolic programs to create robust and explainable predictions. One such framework is NeurASP, which trains a neural network to predict concepts and reasons over them using rules written in answer set programming (ASP) to solve downstream tasks. Crucially, labels are only provided for the downstream prediction produced by the symbolic rules, not for the latent concepts themselves.Backpropagation through the non-differentiable ASP component requires expensive probability and gradient calculations, which has hindered scalability to more sophisticated tasks.In this paper, we address the current limitations of NeurASP by improving its computational performance through vectorization, batch processing and caching of intermediate computations during training. We compare computation speeds between the original and our new implementation of NeurASP and report speedups of multiple orders of magnitude for larger tasks. To this end, we propose a new dataset of difficult tasks involving playing cards, which we use to test the capabilities of NeurASP's enhanced learning function.
• Abstract（参考訳）: ニューロシンボリックAIは、ニューラルネットワークとシンボルプログラムを組み合わせることで、堅牢で説明可能な予測を生成する。 そのようなフレームワークのひとつがNeurASPで、ニューラルネットワークをトレーニングして、ダウンストリームタスクを解決するために、応答セットプログラミング(ASP)で記述されたルールを使用して、概念や理由を予測する。 本稿では,非微分可能ASPコンポーネントによるバックプロパゲーションは,高コストな確率と勾配計算を必要とするため,より高度なタスクのスケーラビリティを阻害する。この記事では,ベクトル化,バッチ処理,中間計算のキャッシングを通じて,NeurASPの計算性能を改善することで,NeurASPの現在の限界に対処する。 我々は,NeurASPのオリジナル実装と新しい実装の計算速度と,大規模タスクの複数桁のレポート高速化を比較した。 この目的のために我々は,NeurASPの強化学習機能の試験に使用する,トランプを含む難易度の高いタスクのデータセットを提案する。

関連論文リスト

• Faster Predictive Coding Networks via Better Initialization [52.419343840654186]
  本稿では,従来のトレーニングサンプルの反復的進捗を抑えることを目的とした,予測符号化ネットワークのための新しい手法を提案する。 本実験は,教師なし設定と教師なし設定の両方において,収束速度と最終テスト損失が大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2026-01-28T08:52:19Z)
• Event-based backpropagation on the neuromorphic platform SpiNNaker2 [1.0597501054401728]
  EventPropはスパイクニューラルネットワーク(SNN)におけるイベントベースのバックプロパゲーションのためのアルゴリズム 本実装では, 微分方程式とその共役の離散バージョンを用いて, 漏洩した積分・発火ニューロンの多層ネットワークを計算した。 我々は,Yin Yangデータセットを用いたSNNのバッチ並列化オンチップトレーニングの概念実証を行った。
  論文  参考訳（メタデータ） (2024-12-19T16:31:42Z)
• 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)
• NeurASP: Embracing Neural Networks into Answer Set Programming [5.532477732693001]
  NeurASPは、ニューラルネットワークを採用することで、応答セットプログラムの単純な拡張である。 ニューラルネットワーク出力を応答集合プログラムの原子事実上の確率分布として扱うことにより、NeurASPはサブシンボリックおよびシンボリック計算を統合するためのシンプルで効果的な方法を提供する。
  論文  参考訳（メタデータ） (2023-07-15T04:03:17Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Rapid Structural Pruning of Neural Networks with Set-based Task-Adaptive Meta-Pruning [83.59005356327103]
  既存のプルーニング技術に共通する制限は、プルーニングの前に少なくとも1回はネットワークの事前トレーニングが必要であることである。 本稿では,ターゲットデータセットの関数としてプルーニングマスクを生成することにより,大規模な参照データセット上で事前訓練されたネットワークをタスク適応的にプルークするSTAMPを提案する。 ベンチマークデータセット上での最近の先進的なプルーニング手法に対するSTAMPの有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-22T10:57:43Z)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)

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。