論文の概要: CRISP: A Framework for Clause-Reconstructed Interpretable NeuroSymbolic Propositions
- arxiv url: http://arxiv.org/abs/2610.02431v1
- Date: Thu, 01 Oct 2026 19:57:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 19:20:54.752908
- Title: CRISP: A Framework for Clause-Reconstructed Interpretable NeuroSymbolic Propositions
- Title（参考訳）: CRISP:claus-reconstructed interpretable NeuroSymbolic Propositionsのためのフレームワーク
- Abstract要約: CRISPは、バイナリニューラルネットワーク教師の最後の層活性化ベクトル(LLAV)をTsetlin Machine(TM)節として再構築するフレームワークである。
CRISPはMNIST、KMNIST、FashionMNIST(FMNIST)、SVHN、CIFAR10でBinaryConnect畳み込みニューラルネットワーク(BCCNN)の教師と完全なバイナリニューラルネットワーク(BNN)の教師を用いて評価される。
- 参考スコア（独自算出の注目度）: 5.422828374317077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks achieve high accuracy through layered numerical transformations, yet their decisions remain difficult to audit because decision evidence is encoded in hidden activations rather than explicit rules. This paper introduces CRISP, a framework that reconstructs the last-layer activation vector (LLAV) of binary neural teachers as Tsetlin Machine (TM) clauses. CRISP sign-binarizes the teacher's penultimate pre-logit activations, and assigns one Individual TM (ITM) to each LLAV neuron. Each reconstructed hidden bit is represented by propositional clauses over Booleanized input features, which gives a direct symbolic trace from named input thresholds to a named teacher neuron. CRISP is evaluated on MNIST, KMNIST, FashionMNIST (FMNIST), SVHN, and CIFAR10 using a BinaryConnect convolutional neural network (BCCNN) teacher and a fully binary neural network (BNN) teacher, with an additional study on binary thresholding, thermometer encoding, and quartile binning at multiple bit depths. The results show that LLAV sign-binarization does not reduce teacher-head accuracy in the tested BNN setting, while ITM reconstruction error is the main limiting factor. Quartile one-bit Booleanization gives the strongest reconstruction fidelity on SVHN at 87.52% test fidelity and is competitive on CIFAR10, and the reconstructed LLAV preserves 78.41% teacher-head accuracy on FMNIST. Pooled clause-evidence visualizations show that the learned ITM literals concentrate on the object region in centered benchmarks. CRISP therefore provides a clause-level route for inspecting the final hidden representation of binary neural teachers.
- Abstract（参考訳）: ディープニューラルネットワークは階層化された数値変換によって高い精度を達成するが、決定の証拠は明示的な規則ではなく隠されたアクティベーションにエンコードされているため、監査は困難である。
本稿では,2進神経教師の最終層活性化ベクトル(LLAV)をTsetlin Machine(TM)節として再構成するフレームワークであるCRISPを紹介する。
CRISPは教師のペナルティ前のアクティベーションを二分し、各LLAVニューロンに1つの個別TM(ITM)を割り当てる。
各再構成された隠れビットはブール化入力特徴の命題節で表現され、名前付き入力しきい値から名前付き教師ニューロンへの直接的な記号的トレースを与える。
CRISPは、MNIST、KMNIST、FashionMNIST(FMNIST)、SVHN、CIFAR10で、BinaryConnect Convolutional Neural Network(BCCNN)の教師と完全なバイナリニューラルネットワーク(BNN)の教師を用いて評価され、さらにバイナリしきい値、温度計の符号化、および複数のビット深さでの四重項ビンニングについても研究されている。
その結果, LLAV符号二値化は, 試験BNN設定における教師の頭部の精度を低下させるものではなく, ITM再構成誤差が主な制限因子であることがわかった。
四分の一ビットブール化は、SVHNの87.52%の試験忠実度で最強の再現忠実度を与え、CIFAR10では競争力があり、再構成されたLLAVはFMNISTでは78.41%の教師ヘッド精度を維持している。
解析されたIMMリテラルが中心ベンチマークで対象領域に集中していることを示す。
そのため、CRISPはバイナリニューラルネットワーク教師の最終的な隠れ表現を検査するための節レベルのルートを提供する。
関連論文リスト
- XOResNet: Exclusive-OR Meta-Residuals Facilitate Deep Spiking Neural Networks Learning [0.0]
スパイキングニューラルネットワーク(SNN)は、ディープラーニングモデルにおける優れた学習と表現能力を示すことを約束している。
ディープラーニングにおけるResNetの驚異的な成功を考えると、学習を継続して深層SNNを訓練するのは当然だ。
深層SNNを構築するための既存の構造は、スパイク冗長性や情報損失、冗長学習といった課題をまだ示している。
論文 参考訳（メタデータ） (2026-05-15T09:18:02Z) - Learn from A Rationalist: Distilling Intermediate Interpretable Rationales [0.8274009317027778]
textbfREKD (textbfRationale textbfExtraction with textbfKnowledge textbfDistillation) ここでは、学生REモデルが教師の合理性と予測から学習する。
言語および視覚分類データセット(IMDB映画レビュー、CIFAR 10、CIFAR 100)にわたる実験により、REKDは学生REモデルの予測性能を大幅に改善することが示された。
論文 参考訳（メタデータ） (2026-01-30T04:07:47Z) - Compacting Binary Neural Networks by Sparse Kernel Selection [58.84313343190488]
本稿は,BNNにおけるバイナリカーネルの分散化がほぼ不可能であることを示すものである。
我々は、選択過程をエンドツーエンドに最適化するだけでなく、選択したコードワードの非反復的占有を維持できる置換ストレートスルー推定器(PSTE)を開発した。
実験により,提案手法はモデルサイズとビット幅の計算コストの両方を削減し,同等の予算下での最先端のBNNと比較して精度の向上を実現する。
論文 参考訳（メタデータ） (2023-03-25T13:53:02Z) - Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。
幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
論文 参考訳（メタデータ） (2023-02-01T03:18:07Z) - Basic Binary Convolution Unit for Binarized Image Restoration Network [146.0988597062618]
本研究では,画像復元作業における残差接続,BatchNorm,アクティベーション機能,構造などのバイナリ畳み込みのコンポーネントを再検討する。
本研究の成果と分析に基づいて, 単純で効率的な基本二元畳み込みユニット (BBCU) を設計した。
我々のBBCUは、他のBNNや軽量モデルよりも大幅に優れており、BBCUがバイナライズされたIRネットワークの基本ユニットとして機能することを示しています。
論文 参考訳（メタデータ） (2022-10-02T01:54:40Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳（メタデータ） (2021-06-16T15:56:34Z) - SAR Image Classification Based on Spiking Neural Network through
Spike-Time Dependent Plasticity and Gradient Descent [7.106664778883502]
スパイキングニューラルネットワーク(SNN)は、脳のような知能のコアコンポーネントの1つである。
本稿では、教師なしおよび教師なし学習SNNに基づいて、完全なSAR画像を構築する。
論文 参考訳（メタデータ） (2021-06-15T09:36:04Z) - Training Binary Neural Networks through Learning with Noisy Supervision [76.26677550127656]
本稿では,ニューラルネットワーク上の二項化操作を学習の観点から定式化する。
ベンチマークデータセットの実験結果から,提案手法がベースラインよりも一貫した改善を達成できることが示唆された。
論文 参考訳（メタデータ） (2020-10-10T01:59:39Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z)
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。