Fugu-MT 論文翻訳(概要): The Boolean Power of ReLU

論文の概要: The Boolean Power of ReLU

arxiv url: http://arxiv.org/abs/2608.12617v1
Date: Wed, 12 Aug 2026 21:59:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.334094
Title: The Boolean Power of ReLU
Title（参考訳）: ReLUのブールパワー
Abstract要約: ReLU-MPLangで表現可能なBooleanクエリの厳密なサブクラスを形成するため、最終的に一定のアクティベーション関数と任意の実係数の任意のコレクションに対して$$-MPLangで表現可能なBooleanクエリを証明した。
参考スコア（独自算出の注目度）: 16.496010343629987
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We prove that, on finite simple undirected graphs equipped with a single Boolean node feature, the Boolean queries expressible in $Σ$-MPLang, for any collection $Σ$ of eventually constant activation functions and with arbitrary real coefficients, form a strict subclass of the Boolean queries expressible in ReLU-MPLang. We thereby settle a recently posed open problem: whether ReLU-MPLang is more powerful than trReLU-MPLang when it comes to Boolean queries. In particular, this implies that ReLU-GNNs are strictly more expressive than {TrReLU,id}-GNNs with respect to Boolean queries on Boolean-featured graphs.
Abstract（参考訳）: 単一ブールノード特徴を持つ有限単純無方向性グラフ上では、任意のコレクションに対して$$$-MPLangで表現可能なブールクエリが、最終的に一定の活性化関数と任意の実係数の$$$に対して、ReLU-MPLangで表現可能なブールクエリの厳密なサブクラスを形成することを証明している。したがって、Booleanクエリに関しては、ReLU-MPLangがtrReLU-MPLangよりも強力であるかどうかという、最近提起されたオープンな問題を解決します。特に、これはReLU-GNNがブールグラフ上のブールクエリに対して {TrReLU,id}-GNNs よりも厳密に表現可能であることを意味する。

関連論文リスト

ExplAIner: A Declarative Query Language for Explaining Classification Models [12.44009629083712]
我々はExplAInerと呼ばれるブラックボックスモデルを説明するための宣言型クエリ言語を開発した。 ExplAInerは、帰納的、コントラスト的、特徴ベース、距離ベースのクエリなど、幅広い説明概念を表現できることを示す。また,厳密な部分順序に関して最小限の計算説明を行うために,ExplAInerの最適化指向のフラグメントであるOps-FOILを導入する。
論文参考訳（メタデータ） (2026-07-07T15:36:51Z)
OrLog: Resolving Complex Queries with LLMs and Probabilistic Reasoning [51.58235452818926]
そこで我々は,論理的推論から述語レベルの妥当性推定を分離するニューロシンボリック検索フレームワークOrLogを紹介する。大規模言語モデル (LLM) は1つの復号のない前方通過において原子述語に対する可視性スコアを提供し、確率論的推論エンジンはクエリ満足度の後方確率を導出する。
論文参考訳（メタデータ） (2026-01-30T15:31:58Z)
A Logical View of GNN-Style Computation and the Role of Activation Functions [16.496010343629987]
線形メッセージパッシングとアクティベーション機能によってグラフニューラルネットワーク(GNN)の計算をキャプチャする宣言型言語であるMPLangについて検討する。有界な活性化関数について、(穏やかな条件下で)全ての連続な活性化が同じ表現力をもたらすことを示す。また、線形層の存在下での非有界および有界な活性化の最初の分離を証明した。
論文参考訳（メタデータ） (2025-12-22T12:27:36Z)
A Foundation Model for Zero-shot Logical Query Reasoning [20.652279854090846]
知識グラフ(KG)における複雑な論理的問合せ応答(CLQA)は、単純なKG完備化を超えている。提案するUltraQueryは,任意のKG上で論理的クエリをゼロショットで応答可能な,帰納的推論のための最初の基礎モデルである。
論文参考訳（メタデータ） (2024-04-10T17:56:07Z)
The logic of rational graph neural networks [0.7614628596146602]
我々は,GC2 の深度 3$ のクエリは,合理的なアクティベーション関数を持つ GNN では表現できないことを証明した。これは、すべての非ポリノミカル活性化関数がGNNの最大表現性を参照しているわけではないことを示している。また、一階述語論理(RGC2)の有理サブフラグメントを示し、すべてのグラフに対して有理GNNがRGC2クエリを均一に表現できることを証明する。
論文参考訳（メタデータ） (2023-10-19T20:32:25Z)
Beam Tree Recursive Cells [54.958581892688095]
本稿では,遅延構造誘導のためのビームサーチによる再帰ニューラルネットワーク(RvNN)の拡張を目的としたビームツリー再帰セル(BT-Cell)を提案する。提案したモデルは, 合成データと実データの両方において, 異なる分配分割で評価する。
論文参考訳（メタデータ） (2023-05-31T16:20:04Z)
Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
本研究では,ALIESと呼ばれる新しい手法を提案する。入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
論文参考訳（メタデータ） (2023-05-24T06:16:44Z)
Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文参考訳（メタデータ） (2023-01-21T02:34:06Z)
Neural Methods for Logical Reasoning Over Knowledge Graphs [14.941769519278745]
知識グラフ(KGs)上でのマルチホップ論理的クエリの応答に焦点をあてる。これまでのほとんどの作業では、FOL(First-Order Logical)クエリを完全に受け入れるモデルを作成することができなかった。本稿では,ニューラルネットワークを用いて一点ベクトル埋め込みを生成し,問合せに答えるモデルを提案する。
論文参考訳（メタデータ） (2022-09-28T23:10:09Z)
Logic Embeddings for Complex Query Answering [56.25151854231117]
skolemisationを用いて効率的なクエリのための存在変数を排除する、複雑なクエリを組み込む新しいアプローチであるlogic embeddedsを提案する。論理組込みは,大規模で不完全な知識グラフ上でのクエリ応答において競争的に高速かつ正確であり,否定的問合せよりも優れており,特に回答の不確かさのモデリングが向上している。
論文参考訳（メタデータ） (2021-02-28T07:52:37Z)
Counting Substructures with Higher-Order Graph Neural Networks: Possibility and Impossibility Results [58.277290855841976]
グラフニューラルネットワーク(GNN)の計算コストと表現力のトレードオフについて検討する。新しいモデルでは、$k$のサブグラフをカウントでき、低次GNNの既知の制限を克服できることを示す。いくつかの場合において、提案アルゴリズムは既存の高階$k$-GNNに比べて計算量を大幅に削減することができる。
論文参考訳（メタデータ） (2020-12-06T03:42:54Z)

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。