論文の概要: Moose: Latent concept learning with reasoning-shortcut awareness in $\mathcal{EL}^{++}$
- arxiv url: http://arxiv.org/abs/2608.12961v1
- Date: Thu, 13 Aug 2026 08:44:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.443164
- Title: Moose: Latent concept learning with reasoning-shortcut awareness in $\mathcal{EL}^{++}$
- Title（参考訳）: Moose:$\mathcal{EL}^{++}$における推論ショートカット認識による潜在概念学習
- Abstract要約: Mooseは$mathcalEL$TBoxと有限ABoxをSentential Decision Diagram (SDD)にコンパイルするメソッドである。
OWL EL上では,ABoxリテラルから各個人概念を学習し,M-with-ontology と Pizzaolo を用いたMoose の評価を行った。
- 参考スコア（独自算出の注目度）: 40.07805055659496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The OWL 2 EL profile is used in some of the largest production ontologies, including the Gene Ontology and SNOMED CT. Existing neuro-symbolic (NeSy) learning methods accept propositional theories or Datalog, and reasoning-shortcut (RS) awareness has not been investigated in ontology settings. We present Moose, a method that compiles an $\mathcal{EL}^{++}$ TBox and finite ABox to a Sentential Decision Diagram (SDD). The SDD acts as a differentiable weighted-model-counting layer, and we add closure clauses outside the $\mathcal{EL}^{++}$ profile on declared exhaustive families to overcome the limited expressivity of $\mathcal{EL}^{++}$ under partial supervision. We show termination, soundness, completeness, and polynomial intermediate sizes, and validate the proofs in Lean. We then define the first formal partial-supervision latent-concept-learning task over an OWL EL ontology, i.e., learning per-individual classifiers for latent concepts from observed ABox literals, and evaluate Moose on MNIST-with-ontology and Pizzaïolo. Moose improves over propositional-NeSy, fuzzy-logic, and ontology embedding baselines, and presents the first reasoning-shortcut analysis in an OWL EL setting.
- Abstract（参考訳）: OWL 2 ELプロファイルは、遺伝子オントロジーやSNOMED CTなど、最も大きな生産オントロジーのいくつかで使用されている。
既存のニューシンボリック(NeSy)学習法は命題理論やデータログを受け入れており、推論ショートカット(RS)の認識はオントロジー環境では研究されていない。
我々は,$\mathcal{EL}^{++}$ TBox と有限 ABox を Sentential Decision Diagram (SDD) にコンパイルする手法である Moose を提案する。
SDDは、微分可能な重み付きモデルカウントレイヤとして機能し、宣言された排他的ファミリーの$\mathcal{EL}^{++}$プロファイルの外でクロージャ条項を追加し、部分的な監督の下で$\mathcal{EL}^{++}$の限定的な表現性を克服します。
終了、健全性、完全性、多項式中間サイズを示し、リーンの証明を検証します。
次に、OWL ELオントロジー(すなわち、観測されたABoxリテラルから潜在概念の個人ごとの分類を学習し、MNIST-with-ontology と Pizza-olo でムースを評価する。
Mooseは、命題-NeSy、ファジィ-ロジック、オントロジーの埋め込みベースラインを改良し、OWL EL設定で最初の推論-ショートカット解析を提示する。
関連論文リスト
- Neuro-symbolic learning over OWL 2 DL via consequence-based compilation to differentiable circuits [40.07805055659496]
Baobabは、有限のABoxで$mathcalSROIQ$オントロジーをSentential Decision Diagramにコンパイルする。
クエリの正当性によってインデックス付けされた混合は、非独立性知覚の校正後部を緩和できることを示す。
論文 参考訳（メタデータ） (2026-08-18T13:04:51Z) - Sharp Capacity Thresholds in Linear Associative Memory: From Winner-Take-All to Listwise Retrieval [59.859592671274704]
$dtimes d$ リニアメモリストアはいくつのキー値アソシエーションが可能ですか?
この答えは、メモリマトリックスの$d2$自由度だけでなく、検索基準にも依存する。
論文 参考訳（メタデータ） (2026-05-06T17:53:20Z) - Neural Networks Learn Generic Multi-Index Models Near Information-Theoretic Limit [66.20349460098275]
一般ガウス多次元モデル $f(boldsymbolx)=g(boldsymbolUboldsymbolx)$ の勾配降下学習を隠蔽部分空間 $boldsymbolUin mathbbRrtimes d$ で研究する。
リンク関数上の一般的な非退化仮定の下では、層次勾配勾配勾配によって訓練された標準的な2層ニューラルネットワークは、$o_d(1)$テスト誤差でターゲットを不可知的に学習できることを示す。
論文 参考訳（メタデータ） (2025-11-19T04:46:47Z) - Lemmanaid: Neuro-Symbolic Lemma Conjecturing [4.821473821650318]
レマナイド(Lemmanaid)は、実用的な神経象徴性レムマ注射器具である。
LLM(Large Language Models)とシンボリックメソッドを組み合わせる。
我々はIsabelle証明アシスタントの証明ライブラリ上で評価する。
論文 参考訳（メタデータ） (2025-04-07T11:30:36Z) - DELE: Deductive $\mathcal{EL}^{++}$ Embeddings for Knowledge Base Completion [42.53092500260737]
Ont埋め込みは、クラス、ロール、および個人を$mathcalEL++$にマップし、$bbRn$エンティティ間の類似性を計算または推論することができる。
本手法は,知識ベース完了作業におけるベースライン埋め込みよりも優れていることを示す。
論文 参考訳（メタデータ） (2024-11-03T14:00:04Z) - LINC: A Neurosymbolic Approach for Logical Reasoning by Combining
Language Models with First-Order Logic Provers [60.009969929857704]
論理的推論は、科学、数学、社会に潜在的影響を与える可能性のある人工知能にとって重要なタスクである。
本研究では、LINCと呼ばれるモジュール型ニューロシンボリックプログラミングのようなタスクを再構成する。
我々は,FOLIOとProofWriterのバランスの取れたサブセットに対して,ほぼすべての実験条件下で,3つの異なるモデルに対して顕著な性能向上を観察した。
論文 参考訳（メタデータ） (2023-10-23T17:58:40Z) - Lattice-preserving $\mathcal{ALC}$ ontology embeddings with saturation [50.05281461410368]
OWL表現の埋め込みを生成するため,順序保存型埋め込み法を提案する。
本手法は,いくつかの知識ベース完了タスクにおいて,最先端の組込み手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-05-11T22:27:51Z) - Dual Box Embeddings for the Description Logic EL++ [16.70961576041243]
知識グラフ(KG)と同様に、知識グラフはしばしば不完全であり、それらの維持と構築は困難であることが証明された。
KGsと同様に、有望なアプローチは、潜在ベクトル空間への埋め込みを学習し、基礎となるDLのセマンティクスに固執することである。
そこで本研究では,概念と役割をボックスとして表現した,DL EL++用のBox$2$ELという新しいオントロジー埋め込み手法を提案する。
論文 参考訳（メタデータ） (2023-01-26T14:13:37Z) - Description Logic EL++ Embeddings with Intersectional Closure [10.570100236658705]
我々は、軸パラレルボックスを用いた記述論理EL++埋め込みを学習するためにELBE(EL Embedding)を開発した。
提案手法の有効性を実証するために,3つのデータセットの広範な実験結果について報告する。
論文 参考訳（メタデータ） (2022-02-28T18:37:14Z)
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。