Interval Logic Tensor Networks

要約

タイトル：Interval Logic Tensor Networks

要約：
– この論文では、Interval Real Logic（IRL）という2つの種類のロジックを紹介する。
– IRLは、リアルフィーチャーデータのシーケンスを使ってトレースのような連続的な性質とイベントの性質を解釈する。
– 接続詞をファジーロジックで解釈し、イベントの期間を台形のファジー区間で解釈し、ファジーな時間的関係を区間の領域の関係を使って解釈する。
– IRLを使用した学習によって、Interval Logic Tensor Networks（ILTN）というニューロシンボリックシステムを提案する。
– ILTNは、ソフトプラスのアクティベーションを使用して、IRLのファジー区間と時間的関係のスムーズなバージョンを定義し、学習をサポートする。
– ILTNは、イベントについての推論を行い、ファジーな期間を予測する合成タスクでIRLで表現された知識を成功裏に利用することができることを示す。
– 結果は、システムが背景の時間的知識に準拠するイベントを生成することができることを示している。

要約(オリジナル)

In this paper, we introduce Interval Real Logic (IRL), a two-sorted logic that interprets knowledge such as sequential properties (traces) and event properties using sequences of real-featured data. We interpret connectives using fuzzy logic, event durations using trapezoidal fuzzy intervals, and fuzzy temporal relations using relationships between the intervals’ areas. We propose Interval Logic Tensor Networks (ILTN), a neuro-symbolic system that learns by propagating gradients through IRL. In order to support effective learning, ILTN defines smoothened versions of the fuzzy intervals and temporal relations of IRL using softplus activations. We show that ILTN can successfully leverage knowledge expressed in IRL in synthetic tasks that require reasoning about events to predict their fuzzy durations. Our results show that the system is capable of making events compliant with background temporal knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI