Tökéletes szabálykövetést hoz a DisjunctiveNet neurális hálózat
A DisjunctiveNet nevű új keretrendszer lehetővé teszi, hogy a neurális hálózatok pontosan betartsák a logikai és lineáris szabályokat, miközben megőrzik a tanulási képességüket.
A tudományos és mérnöki feladatok gyakran korlátozott adathalmazokkal dolgoznak, ami akadályozza a tisztán adatvezérelt megközelítések hatékonyságát. Ezek a problémák azonban gyakran gazdag tartományi tudással bírnak, amely fizikai törvényekből, működési követelményekből és szakértői heuróatikákból származik. Ezt a tudást gyakran logikai propositionokat és lineáris egyenlőtlenségeket tartalmazó szabályok formájában fejezik ki.
A meglévő neuro-szimbolikus módszerek általában megközelítőleg érvényesítik ezeket a szabályokat lágy büntetéseken keresztül, vagy nem differenciálható utófeldolgozást használnak az inference során. A differenciálható optimalizációs rétegek fejlődése lehetővé teszi a végponttól végpontig tartó megvalósíthatósági érvényesítést neurális hálózatokon belül, de a logikai vagy vegyes egészszámú szabályok kiterjesztése továbbra is kihívást jelent a konvexitás hiánya miatt.
Kapcsolódó: neurális inferencia
A kutatók most egy új, egységes, végponttól végpontig tartó keretrendszert javasoltak, amely képes beágyazni a bemenettől függő, vegyes egészszámú lineáris kényszereket neurális hálózatokba. A DisjunctiveNet a szabályokat diszjunktív kényszerként reprezentálja, és hierarchikus konvex relaxációkat alkalmaz a konvex burok megfogalmazásához.
Kapcsolódó: neuro-szimbolikus architektúra
Ezek a relaxációk kezelhető lineáris kényszereket eredményeznek, amelyek differenciálható optimalizációs rétegként ágyazhatók be, miközben lehetővé teszik a pontos szabálykövetést. A kutatók valós adatkészleteken demonstrálták a keretrendszer hatékonyságát, tökéletes szabálykövetést és erős prediktív teljesítményt értek el – írja az arXiv.
Kapcsolódó: logikai következtetés