論文の概要: XLOG: A CUDA-Native Engine for Neurosymbolic Integration
- arxiv url: http://arxiv.org/abs/2609.27203v1
- Date: Wed, 23 Sep 2026 01:08:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.815642
- Title: XLOG: A CUDA-Native Engine for Neurosymbolic Integration
- Title（参考訳）: XLOG: ニューロシンボリック統合のためのCUDA-Nativeエンジン
- Abstract要約: xlogはネイティブなロジックプログラミングエンジンである。
神経知覚と決定論的データログを統合する。
正確な推論は正確であるが、ProbLog2より遅い。
- 参考スコア（独自算出の注目度）: 0.688204255655161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: xlog is a CUDA-native logic programming engine integrating neural perception with deterministic Datalog, probabilistic inference, and epistemic world views through a typed frontend and provider-owned CUDA runtime. Its reasoning modes share device data planes, but their execution boundaries differ: ordinary Datalog and exact inference are host-orchestrated, while certified resident recursive and Monte Carlo sampled cores record zero tracked host-device transfers before a bounded terminal receipt. The probabilistic path supports end-to-end gradients through GPU knowledge compilation from provenance to CNF to Decision-DNNF, exact weighted model counting, and backward gradients. A final smoothed circuit is certified against its source formula before caching or evaluation. Circuit caching yields a 2.74x MNIST-addition training speedup; a worst-case-optimal join subsystem yields a 27.96x geometric-mean gain over xlog's binary-join baseline. MNIST-addition accuracy matches Scallop's (0.9561 versus 0.9468), but no per-epoch speed claim is made because baseline epoch time varies with CPU quota. In five hub-skewed triangle-counting cases, the Souffle-to-fused-xlog execution-time ratio rises from 0.88x at 150k edges, where Souffle is faster, to 5.54x at 1.2M; fused peak device allocations are 85-1,033 MB versus 3,287-44,979 MB for the materializing arm. Exact inference is correctness-equivalent to but slower than ProbLog2. On a public video benchmark, a proximity predicate trained only through symbolic credit replaces hand-set geometry at unchanged held-out accuracy; within Event-Calculus rule search it fails ten-fold cross-validation and does not transfer on a leak-free split. On a maritime corpus, weighted clauses beat crisp selection by 0.065 F1, with the result reproduced by one chronological training pass.
- Abstract（参考訳）: xlogはCUDAネイティブなロジックプログラミングエンジンで、ニューラルネットワークを決定論的データログ、確率的推論、そして、タイプドフロントエンドとプロバイダが所有するCUDAランタイムを通じて、疫学的な世界ビューと統合する。
その推論モードはデバイスデータプレーンを共有するが、それらの実行バウンダリは異なり、通常のデータログと正確な推論はホストオーケストレートされる。
確率パスはGPU知識のコンパイルからCNFからDecision-DNNF、正確な重み付けモデルカウント、後方勾配まで、エンドツーエンドの勾配をサポートする。
キャッシュや評価の前に、最終的なスムーズ化回路を元の式に対して認証する。
回路キャッシュは2.74倍のMNIST付加訓練速度を持ち、最悪のケース最適結合サブシステムはxlogのバイナリ結合ベースラインよりも27.96倍の幾何平均ゲインを得る。
MNIST付加精度はScallop(0.9561対0.9468)と一致するが、ベースラインエポック時間はCPUクォータによって異なるため、エポック毎の速度保証は行われない。
5つのハブ付き三角形計数の場合、Souffle-to-fused-xlogの実行時間比は150kエッジで0.88xから1.2Mで5.54xに上昇し、融合ピークデバイス割り当ては85-1,033MB対3,287-44,979MBである。
正確な推論は正確であるが、ProbLog2より遅い。
パブリックビデオのベンチマークでは、シンボリッククレジットを通してのみ訓練された近接述語が、手集合の幾何を一定の保持精度で置き換えるが、Event-Calculusルール検索では10倍のクロスバリデーションに失敗し、リークフリースプリットでは転送されない。
海洋コーパスでは、重み付けされた節がクリップ選択を0.065 F1で上回り、その結果は1つの時系列トレーニングパスによって再現される。
関連論文リスト
- VC-Attention: Value Smoothing and Softmax Casting for Low-bit Attention [47.30761996669105]
トレーニング不要な低ビットアテンションフレームワークであるVC-Attentionを提案する。
V-Smoothは、オンラインの軽量クラスタリングによってバリュートークンを再注文するので、融合ハードウェアブロック内のトークンは、共に量子化される。
ログドメインのスコアを直接E4M3確率符号に1つの融合乗算加算でマッピングし、FP32指数関数とフォーマット変換を排除した。
論文 参考訳（メタデータ） (2026-09-14T16:17:35Z) - HEAT: Faster Fully Homomorphic Inference via Approximations-Weights Co-Adaptation [56.14416807766864]
同型暗号化により、サーバは暗号化されたユーザープロンプト上で言語モデルを直接実行することができる。
既存のアプローチでは、各サイトのエラー許容度を調整するのではなく、モデル全体のイテレーションカウントを均一に修正する。
非線形反復回数を学習可能にする微調整法であるHAT(Hymomorphic Encryption-Aware Training)を導入する。
論文 参考訳（メタデータ） (2026-09-01T18:02:02Z) - The Cost of Adaptivity: Matching Lower Bounds Across Learning Problems [1.0742675209112622]
我々はスライス正規化ミニマックス比を用いてニュアンス適応を定式化する。
また、事前発表された1つのガウスクエリから任意のポストホックインスペクションへ拡張するコストを定義する。
論文 参考訳（メタデータ） (2026-08-09T17:19:11Z) - Thought-Level Beam Search for Reasoning [39.76902449987798]
テストタイムの計算スケーリングは、大きな推論モデルにおけるパフォーマンスの主要な要因である。
部分軌道上の制約付き計算割当問題としてテスト時間推論を定式化する。
Emph Thoughtレベルビームサーチを実行する推論アルゴリズムであるGambitを導入する。
論文 参考訳（メタデータ） (2026-08-08T09:00:01Z) - Data collection from highways: a geometric, class-agnostic approach to embedded vehicle counting [39.36424353588699]
我々は、検出がクラスに依存しないシングルボードコンピュータのための、純粋に幾何学的なトラフィックセンシングパイプラインを再考する。
オブジェクトモデルやトレーニングセット、オブジェクト単位のトラジェクトリがなければ、Raspberry Piクラスのハードウェア上では、リアルタイムよりも高速に動作します。
4本以上のビデオは83.3%-100%の精度で、野戦配備ではブロブ追跡ベースラインで91%、37.5%に達する。
論文 参考訳（メタデータ） (2026-08-07T16:25:09Z) - ForgettingOT: Certified Speculative Batching from Sinkhorn's Projective Forgetting [0.0]
固定点ヤコビアン$J_tstar=QP=Pstar P$ の固有モードが厳密な補正テールを制御することを示す。
ForgettingOTは、この非線形ペロン-フロベニウスの事実をシンクホーン問題のストリームの認定執行者に変える。
論文 参考訳（メタデータ） (2026-07-27T17:59:36Z) - Scalable Optimal Transport Algorithm for Network Alignment [47.18609734795849]
我々は、最適なトランスポートベースのネットワークアライメントのためのスケーラブルでスポーシティ対応のフレームワークであるFastAlignを紹介する。
FastAlignは、元のOTの定式化を保存し、その計算を繰り返し発生する混合スパース線演算の集合として再解釈する。
我々の結果は、FastAlignが最先端のOTベースのメソッドに匹敵するアライメント品質を実現し、エンドツーエンドのランタイムを大幅に削減していることを示している。
論文 参考訳（メタデータ） (2026-07-11T21:30:10Z) - Hierarchical Transformer Preconditioning for Interactive Physics Simulation [28.137076331332413]
階層型トランスフォーマープレコンディショナー(Hierarchical Transformer Preconditioner)は、弱い許容率のH行列分割に固定されたニューラルプレコンディショナーである。
ネットワークは低ランクの遠距離因子を通して逆をモデル化する。
高速道路の接続を利用して、奥行きを隔ててコンテキストを伝播する。
論文 参考訳（メタデータ） (2026-05-13T11:02:27Z) - Fast Log-Domain Sinkhorn Optimal Transport with Warp-Level GPU Reductions [1.6679662639178268]
我々は、log-domain Sinkhornアルゴリズムの軽量でネイティブな実装であるFastSinkhornを提案する。
我々の解法はログドメインで完全に動作し、標準ドメインメソッドが失敗するepsilon = 10-4のように、正規化パラメータの計算を可能にする。
画像色変換, 3次元点雲マッチング, 収束解析について検証し, 注意深い数値処理を施したネイティブカーネルが, 大規模最適輸送のための実用的で効率的な基盤となることを示した。
論文 参考訳（メタデータ） (2026-04-04T16:06:27Z) - INK: Injecting kNN Knowledge in Nearest Neighbor Machine Translation [57.952478914459164]
kNN-MTは、推論中に隣接する表現に基づいて予測を円滑にするための効果的なパラダイムを提供する。
我々は,kNN近傍の表現を少数の新しいパラメータで調整することで,表現空間を円滑にするための効果的なトレーニングフレームワークINKを提案する。
4つのベンチマークデータセットでの実験では、メソッドは1.99 COMETと1.0 BLEUの平均ゲインを達成し、0.02倍のメモリ空間と1.9倍の推論速度を持つ最先端のkNN-MTシステムより優れていた。
論文 参考訳（メタデータ） (2023-06-10T08:39:16Z)
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。