IID Relaxation by Logical Expressivity: A Research Agenda for Fitting Logics to Neurosymbolic Requirements

要約

神経記号的な背景知識とそのロジックに必要な表現力は、データの独立性と同一の分布に関する機械学習の前提を打ち破る可能性があります。
このポジションペーパーでは、さまざまなユースケースの要件に適合するロジックの階層で IID 緩和を分析することを提案します。
私たちは、ニューロシンボリックのユースケースで既知のデータの依存関係と分布制約を活用する利点について議論し、この知識に必要な表現力が基礎となる ML ルーチンの設計に影響を与えると主張します。
これにより、神経記号の背景知識とその論理に必要な表現力に関する一般的な質問を含む、新しい研究課題が開かれます。

要約(オリジナル)

Neurosymbolic background knowledge and the expressivity required of its logic can break Machine Learning assumptions about data Independence and Identical Distribution. In this position paper we propose to analyze IID relaxation in a hierarchy of logics that fit different use case requirements. We discuss the benefits of exploiting known data dependencies and distribution constraints for Neurosymbolic use cases and argue that the expressivity required for this knowledge has implications for the design of underlying ML routines. This opens a new research agenda with general questions about Neurosymbolic background knowledge and the expressivity required of its logic.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google