論文の概要: DeepSWIP: Quotient-WMC Counterfactuals for Neural Probabilistic Logic Programs

• arxiv url: http://arxiv.org/abs/2606.20526v2
• Date: Fri, 19 Jun 2026 12:18:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-23 13:41:31.120442
• Title: DeepSWIP: Quotient-WMC Counterfactuals for Neural Probabilistic Logic Programs
• Title（参考訳）: DeepSWIP:ニューラル確率論理プログラムのためのQuotient-WMCカウンタ
• Authors: Saimun Habib, Vaishak Belle, Fengxiang He,
• Abstract要約: DeepSWIPは,DeepProbLogプログラムのための単一世界の対実的セマンティクスである。 有限基底の下では、DeepSWIP は学習された物質化 FCM と正確に比較できる。 MPI3Dの実験では、DeepTwin構造に対する変換が12,000のクエリに対して確認されている。
• 参考スコア（独自算出の注目度）: 20.971295077221
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurosymbolic systems such as DeepProbLog combine neural perception with probabilistic logic, but standard inference is associational. Counterfactual reasoning additionally requires a causal semantics for interventions and evidence. We introduce DeepSWIP, a single-world counterfactual semantics for DeepProbLog programs. Using neural materialization, we reduce fixed-context neural predicates to ordinary ProbLog choices, apply Single World Intervention Programs (SWIPs), and compute counterfactuals by weighted model counting (WMC) over a single transformed program. Under finite grounding and unique-supported-model assumptions, DeepSWIP is exact relative to the learned materialized FCM. The standard quotient-WMC form of ProbLog conditionals identifies active neural probabilities and explains intervention cleaning, calibration sensitivity, and rare-evidence instability. Experiments on MPI3D confirm the transformation against a DeepTwin construction against 12,000 queries, as predicted and a 2.14$\times$ inference speedup from avoiding the Twin's endogenous duplication. A SUMO HOV experiment shows that neural calibration degradation biases plug-in estimates, while a correctly scoped randomized-policy AIPW estimator removes most first-order bias for population mean and ATE estimands. Code is at https://github.com/saibib/deep_SWIP.
• Abstract（参考訳）: DeepProbLogのようなニューロシンボリックシステムは、神経知覚と確率論的論理を結びつけるが、標準推論は関連している。 対物的推論は、介入や証拠の因果的意味論も必要である。 DeepSWIPは,DeepProbLogプログラムのための単一世界の対実的セマンティクスである。 ニューラルマテリアル化を用いて、固定コンテキストのニューラルネットワーク述語を通常のProbLog選択に還元し、シングルワールドインターベンションプログラム(SWIP)を適用し、単一の変換プログラム上で重み付きモデルカウント(WMC)によるカウンターファクトルを計算する。 有限基底と一意的に支持されたモデル仮定の下では、DeepSWIPは学習された物質化FCMと正確に相対する。 ProbLog条件の標準的な商-WMC形式は、アクティブな神経確率を特定し、介入クリーニング、校正感度、希少なエビデンス不安定を説明する。 MPI3Dの実験では、予測した12,000のクエリに対するDeepTwin構造への変換と、ツインの内因性重複を避けるための2.14$\times$推論スピードアップが確認されている。 SUMO HOV実験では、神経キャリブレーション劣化バイアスはプラグインの推定値を示す一方、ランダム化されたAIPW推定器は人口平均とATE推定値の1次バイアスを除去する。 コードはhttps://github.com/saibib/deep_SWIPにある。

関連論文リスト

• Neuro-Symbolic Financial Reasoning via Deterministic Fact Ledgers and Adversarial Low-Latency Hallucination Detector [2.950245545999729]
  検証可能な数値推論エージェント(VeNRA)について紹介する。 VeNRAは、RAGパラダイムを確率的テキストの検索から厳密な型付きUniversal Fact Ledger (UFL)による決定論的変数の検索へとシフトさせる 著者らは3ビリオンのSLMを訓練し、単一の推論予算を用いて予測候補を法医学的に監査する。
  論文  参考訳（メタデータ） (2026-03-04T22:55:16Z)
• Unregularized Linear Convergence in Zero-Sum Game from Preference Feedback [50.89125374999765]
  NLHFにおける最適乗算重み更新(mathtOMWU$)に対する最初の収束保証を提供する。 本分析では, 稀に発生する行動の確率が指数関数的に小さい値から指数関数的に増大する新たな限界収束挙動を同定する。
  論文  参考訳（メタデータ） (2025-12-31T12:08:29Z)
• Scalable Neural-Probabilistic Answer Set Programming [18.136093815001423]
  本稿では、NPP(Neural-Probabilistic Predicates)と解集合プログラミング(ASP)を介して統合された論理プログラムからなる新しいDPPLであるSLASHを紹介する。 予測性能を犠牲にすることなく、推論を高速化し、(地上)プログラムの無意味な部分を抜粋する方法を示す。 我々は、MNIST追加のベンチマークタスクやVQA(Visual Question Answering)など、様々なタスクでSLASHを評価する。
  論文  参考訳（メタデータ） (2023-06-14T09:45:29Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Neural Probabilistic Logic Programming in Discrete-Continuous Domains [9.94537457589893]
  ニューラルシンボリックAI(NeSy)は、ニューラルネットワークが論理の形でシンボリックバックグラウンド知識を利用することを可能にする。 確率論的NeSyは、論理理論と確率理論の両方でニューラルネットワークを統合することに焦点を当てている。 DeepSeaProbLogは、DPPテクニックをNeSyに組み込んだ、ニューラルネットワーク確率論理プログラミング言語である。
  論文  参考訳（メタデータ） (2023-03-08T15:27:29Z)
• Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
  ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。 トラクタブル回路において,これを効率的に計算する方法を示す。 我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
  論文  参考訳（メタデータ） (2023-02-28T00:04:22Z)
• A Simple Approach to Improve Single-Model Deep Uncertainty via Distance-Awareness [33.09831377640498]
  本研究では,1つの決定論的表現に基づく1つのネットワークの不確実性向上手法について検討する。 本稿では,現代のDNNにおける距離認識能力を向上させる簡易な手法として,スペクトル正規化ニューラルガウス過程(SNGP)を提案する。 ビジョンと言語理解のベンチマークスイートでは、SNGPは予測、キャリブレーション、ドメイン外検出において、他の単一モデルアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-05-01T05:46:13Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Unifying supervised learning and VAEs -- coverage, systematics and goodness-of-fit in normalizing-flow based neural network models for astro-particle reconstructions [0.0]
  統計的不確実性、包括性、体系的不確実性、あるいは適度な尺度はしばしば計算されない。 データとラベルの共分散のKL分割の目的は、教師付き学習と変分オートエンコーダの統合を可能にすることを示す。 本稿では,特定の「基本順序」輪郭の数値積分を伴わずにカバレッジ確率を計算する方法について論じる。
  論文  参考訳（メタデータ） (2020-08-13T11:28:57Z)

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。