微分可能な論理プログラムによるDistant Supervision

抄録

本研究では、ニューラル・シンボリックAI (Neural-Symbolic AI; NeSy）において、データ駆動型アプローチと記号推論を融合させる手法を提案する。この手法では、ニューラルネットワークの出力と、論理プログラムを埋め込んだ行列を用いて、微分可能な形で含意ルールと制約を評価することで、直接的なラベルが与えられないdistant supervisionの設定において効率的に学習させることができる。様々なNeSyタスクにおいて実験を行い、提案手法の性能を既存手法と比較した。学習データ数を固定した場合、ほとんどのタスクにおいて比較手法と同等かそれ以上の精度を達成し、また、比較手法よりも高速に学習を完了させることができた。これらの結果から、NeSyにおける高精度かつ高速な学習を実行するアプローチとしての提案手法の有効性が示された。