논리적 추론기의 선택을 랭킹하는 신경망 성능 향상을 위한 고품질 임베딩 생성 접근법을 소개한다. 트리플렛 손실을 활용하여 반복 용어 앵커 생성, 난이도 균형 긍정·부정 예제 생성, 어려운 예제의 주기적 강조 세 가지 아이디어를 도입한다. 다양한 지식 베이스에서 서로 다른 임베딩 방식을 비교 실험하여 추론 과제에 적합한 임베딩 특성을 규명한다. 이 접근법으로 더 효율적인 논리 추론 탐색이 가능해진다.
- •트리플릿 손실로 앵커-긍정-부정 예제를 생성하여 논리 추론에 적합한 햨비딩을 훈련한다.
- •반복 용어 앵커 생성, 난이도 균형 예제 생성, 어려운 예제 주기적 강조 세 가지 햵심 구현 아이디어를 제안한다.
- •다양한 지식 베이스에 걸쳐 임베딩 특성과 다운스트림 추론 효과의 관계를 분석하는 비교 실험을 수행했다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
High Quality Embeddings for Horn Logic Reasoning
- 1.논리 추론기의 선택을 순위화하는 신경망 학습에 고품질 임베딩을 생성하는 새로운 접근법 제안
- 2.트리플릿 손실 학습에서 반복 용어 앙커, 쉽음/보통/어려움 예시 균형, 최난이도 예시 주기적 강조 등 세 가지 혁신 도입
- 3.다양한 지식 베이스에서 임베딩 방식를 비교해 추론 과제별 적합 특성 분석
왜 중요한가?
논리적 추론 효율성을 높이는 임베딩 기법의 개선은 기호적 AI와 신경망의 결합 연구에 기여한다.
본문 미리보기
arXiv:2605.20467v1 Announce Type: new Abstract: Neural networks can be trained to rank the choices made by logical reasoners, resulting in more efficient searches for answers. A key step in this process is creating useful embeddings, i.e., numeric representations of logical statements. This paper introduces and evaluates several approaches to creating embeddings that result in better downstream results. We train embeddings using triplet loss, which requires examples consisting of an anchor, a p
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
