Differentiable Logic Programming for Distant Supervision

要約

直接ラベルが利用できない遠隔監視下での学習を目的とした、Neural-Symbolic AI (NeSy) におけるニューラル ネットワークと論理プログラミングを統合する新しい方法を紹介します。
従来の方法とは異なり、私たちのアプローチは、ラベルの欠落を推論するためにシンボリック ソルバーに依存しません。
代わりに、ニューラル ネットワーク出力と論理プログラムの両方を行列に埋め込むことで、論理的な意味と制約を微分可能な方法で評価します。
この方法により、遠隔監視下でのより効率的な学習が促進されます。
一定量のトレーニング データを維持しながら、既存の手法と比較してアプローチを評価しました。
この調査結果は、私たちの方法がさまざまなタスクにわたって他の方法の精度と同等かそれを上回るだけでなく、学習プロセスを高速化することを示しています。
これらの結果は、NeSy アプリケーションの精度と学習効率の両方を向上させる私たちのアプローチの可能性を強調しています。

要約(オリジナル)

We introduce a new method for integrating neural networks with logic programming in Neural-Symbolic AI (NeSy), aimed at learning with distant supervision, in which direct labels are unavailable. Unlike prior methods, our approach does not depend on symbolic solvers for reasoning about missing labels. Instead, it evaluates logical implications and constraints in a differentiable manner by embedding both neural network outputs and logic programs into matrices. This method facilitates more efficient learning under distant supervision. We evaluated our approach against existing methods while maintaining a constant volume of training data. The findings indicate that our method not only matches or exceeds the accuracy of other methods across various tasks but also speeds up the learning process. These results highlight the potential of our approach to enhance both accuracy and learning efficiency in NeSy applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google