論文の概要: Neuro-symbolic learning over OWL 2 DL via consequence-based compilation to differentiable circuits
- arxiv url: http://arxiv.org/abs/2608.17741v1
- Date: Tue, 18 Aug 2026 13:04:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.341025
- Title: Neuro-symbolic learning over OWL 2 DL via consequence-based compilation to differentiable circuits
- Title（参考訳）: OWL 2 DL上でのニューロシンボリックラーニング
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 40.07805055659496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: OWL 2 DL ontologies, grounded in the description logic $\mathcal{SROIQ}$, express large knowledge bases in biomedicine and the Semantic Web. Neuro-symbolic (NeSy) learners over description logics either embed the ontology in a continuous space, abandoning classical entailment, or restrict to the Horn fragment $\mathcal{EL}^{++}$, which has a single canonical model. We present Baobab, which compiles a $\mathcal{SROIQ}$ ontology with a finite ABox into a Sentential Decision Diagram (SDD): it saturates a propositional core under a consequence-based calculus and instantiates the remaining $\mathcal{SROIQ}$ features (nominals, number restrictions, and the role axioms) over the active domain. The SDD's evidence-conditioned weighted model count then trains a perception network to recognize real images under partial ABox supervision: on an ontology that exercises every distinctive $\mathcal{SROIQ}$ feature, a CNN learns to read MNIST digits coupled by a successor relation and recovers latent ontology concepts that an independent perception leaves at chance. When the supervision admits several ontology-consistent completions, an independent perception collapses onto one, a reasoning shortcut: we show that a mixture indexed by the query's justifications can represent the calibrated posterior no independent perception can, and that seeding it from the circuit's enumerated completions attains the Bayes-optimal posterior on a real-image MNIST task where single-WMC and learned mixtures (the BEARS-ensemble hypothesis class) do not: to our knowledge the first to characterize and mitigate reasoning shortcuts in a non-Horn description logic. Soundness of the compiler and the representation result are machine-checked in Lean 4. Code is available at https://github.com/bio-ontology-research-group/baobab.
- Abstract（参考訳）: OWL 2 DLオントロジーは、バイオメディシンとセマンティックウェブにおける大きな知識基盤を表現する記述論理$\mathcal{SROIQ}$に基づいている。
記述論理に関するニューロシンボリック(NeSy)の学習者は、オントロジーを連続した空間に埋め込むか、古典的な包含を放棄するか、あるいは単一の標準モデルを持つHornフラグメント$\mathcal{EL}^{++}$に制限する。
有限 ABox を用いて $\mathcal{SROIQ}$ オントロジーを Sentential Decision Diagram (SDD) にコンパイルし、結果に基づく計算の下で命題コアを飽和させ、残りの $\mathcal{SROIQ}$ 機能を活性領域上でインスタンス化する。
SDDのエビデンス条件付き重み付きモデルカウントは、知覚ネットワークをトレーニングして、部分的なABoxの監督の下で実際の画像を認識する:すべての特徴を持つ$\mathcal{SROIQ}$特徴を行使するオントロジーにおいて、CNNはMNIST桁の読み方を学ぶ。
独立認識がいくつかのオントロジー整合性補完を許容すると、独立認識は1つに崩壊する: クエリの正当性によってインデックスされた混合物は、キャリブレーションされた後部非独立認識を表現でき、それを回路の列挙された完了からシードすることで、単一のWMCと学習した混合体(BEARS-アンサンブル仮説クラス)がそうでない実像MNISTタスクにおいてベイズ最適後部を達成できることを示す。
コンパイラの健全性と表現結果はLean 4.0でマシンチェックされます。
コードはhttps://github.com/bio-ontology-research-group/baobab.comで公開されている。
関連論文リスト
- Moose: Latent concept learning with reasoning-shortcut awareness in $\mathcal{EL}^{++}$ [40.07805055659496]
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。
論文 参考訳（メタデータ） (2026-08-13T08:44:48Z) - On Improving Neurosymbolic Learning by Exploiting the Representation Space [54.16389421332958]
本稿では,入力インスタンスの隠されたゴールドラベルが論理式を満たすニューロシンボリック・セッティングにおけるニューラル分類器の学習問題について検討する。
ひとつの課題は、ラベルの組み合わせの空間が指数関数的に成長し、学習を困難にすることです。
類似の潜在表現を持つインスタンスが同じラベルを共有できるという直感を利用して,この空間を刺激する手法を提案する。
論文 参考訳（メタデータ） (2026-02-08T13:56:47Z) - 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) - Concept-Guided Interpretability via Neural Chunking [64.6429903327095]
ニューラルネットワークは、トレーニングデータの規則性を反映した生の集団活動のパターンを示す。
神経集団レベルで繰り返しチャンクを抽出する3つの方法を提案する。
私たちの研究は、認知原則と自然主義的データの構造の両方を活用する、解釈可能性の新しい方向性を指し示しています。
論文 参考訳（メタデータ） (2025-05-16T13:49:43Z) - The Quantified Boolean Bayesian Network: Theory and Experiments with a
Logical Graphical Model [0.0]
確率的ネットワークが人間の言語の基礎となる論理的理由を表現するためにどのように構成できるかを示す。
推論では,収束が保証されていないLoopy Belief Propagation (LBP) の使用について検討する。
我々の実験は、LBPが実際に非常に確実に収束していることを示し、我々の分析は、LBPのラウンドが、考慮される変数の数を$N$で制限する時間(O(N2n)$)を必要とすることを示している。
論文 参考訳（メタデータ） (2024-02-09T17:15:45Z) - LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and
Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。
ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。
これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文 参考訳（メタデータ） (2023-09-24T05:43:19Z) - 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) - Differentiable Fuzzy $\mathcal{ALC}$: A Neural-Symbolic Representation
Language for Symbol Grounding [22.885795566729424]
ニューラルシンボリックコンピューティングは、堅牢なニューラルラーニングとサウンドシンボリック推論を単一のフレームワークに統合することを目的としている。
所望のセマンティクスを持つニューラルシンボリック表現言語として,微分可能なファジィ$mathcalALC$を提案する。
実験結果から,DF-$mathcalALC$と規則に基づく損失は,教師なし学習方式で画像オブジェクト検出器の性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2022-11-22T04:54:20Z) - NELLIE: A Neuro-Symbolic Inference Engine for Grounded, Compositional, and Explainable Reasoning [59.16962123636579]
本稿では,Prologベースの推論エンジンを新たに提案する。
我々は手作りのルールを、ニューラルネットワークモデリング、ガイド付き生成、半密検索の組み合わせで置き換える。
我々の実装であるNELLIEは、完全に解釈可能なエンドツーエンドの基底QAを示す最初のシステムである。
論文 参考訳（メタデータ） (2022-09-16T00:54:44Z) - Abductive Knowledge Induction From Raw Data [12.868722327487752]
本稿では,帰納的メタ解釈学習(Meta_Abd$)を提案する。
実験の結果,$Meta_Abd$は予測精度とデータ効率で比較したシステムより優れることがわかった。
論文 参考訳（メタデータ） (2020-10-07T16:33:28Z)
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。