A-NeSI: A Scalable Approximate Method for Probabilistic Neurosymbolic Inference

要約

私たちはニューラル ネットワークと記号推論を組み合わせる問題を研究します。
DeepProbLog など、最近導入された確率的神経記号学習 (PNL) フレームワークは、指数関数的時間の正確な推論を実行するため、PNL ソリューションのスケーラビリティが制限されます。
スケーラブルな近似推論にニューラル ネットワークを使用する PNL の新しいフレームワークである、近似ニューロシンボリック推論 (A-NeSI) を紹介します。
A-NeSI 1) 確率論理のセマンティクスを変更することなく、多項式時間で近似推論を実行します。
2) 背景知識によって生成されたデータを使用してトレーニングされます。
3) 予測の象徴的な説明を生成できます。
4) テスト時に論理制約が満たされることを保証できます。これは安全性が重要なアプリケーションでは不可欠です。
私たちの実験は、A-NeSI が指数関数的組み合わせスケーリングを使用して 3 つの神経記号タスクを解決する最初のエンドツーエンドの方法であることを示しています。
最後に、私たちの実験は、A-NeSI がパフォーマンスを損なうことなく説明可能性と安全性を達成していることを示しています。

要約(オリジナル)

We study the problem of combining neural networks with symbolic reasoning. Recently introduced frameworks for Probabilistic Neurosymbolic Learning (PNL), such as DeepProbLog, perform exponential-time exact inference, limiting the scalability of PNL solutions. We introduce Approximate Neurosymbolic Inference (A-NeSI): a new framework for PNL that uses neural networks for scalable approximate inference. A-NeSI 1) performs approximate inference in polynomial time without changing the semantics of probabilistic logics; 2) is trained using data generated by the background knowledge; 3) can generate symbolic explanations of predictions; and 4) can guarantee the satisfaction of logical constraints at test time, which is vital in safety-critical applications. Our experiments show that A-NeSI is the first end-to-end method to solve three neurosymbolic tasks with exponential combinatorial scaling. Finally, our experiments show that A-NeSI achieves explainability and safety without a penalty in performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google