[논문] NeSyCat Torch: 미분 가능한 텐서 구현으로 카테고리 의미를 활용한 뉴로심볼릭 학습
개요
신경심볼릭 의미론은 분산되어 있다: 고전적, 모호한, 확률적, 그리고 신경망 시스템들은 각각 자체적인 유도 규칙을 통해 진리를 정의한다. NeSyCat은 ULLER을 확장하여 강력한 모나드와 진리 값에 대한 집계 구조를 파라메트릭으로 삼아 단일 유도적 진리 정의 아래它们을 포괄한다. NeSyCat은 아직 신경망을 통한 학습된 논리 인자들과 함수에 대한 설명이 부족했다. 우리는 NeSyCat Torch를 제공하여 이 격차를 메우고, 연산 기호를 神经网络으로 해석하며, 확률 프로그래밍과 텐서 기반 백엔드에서 프레임워크를 구현한다. 분배 모나드를 사용하여 의미론적 해석과 메트릭 평가를 수행하고, 이를 보완하여 수치적으로 안정적이고 미분 가능한 학습을 지원하는 ‘lazy log‑tensor 모나드’를 로그 반지름 위에서 도입한다. 배치 단위 훈련을 위해 배치 모나드를 추가로 사용한다.
MNIST 덧셈 작업에서 HaskTorch, JAX, PyTorch 구현은 LTN과 DeepProbLog보다 속도와 정확성에서 우수하며, DeepStochLog에 근접한 정확도를 달성한다. 그러나 DeepStochLog와 달리 우리는 단일 프레임워크 내에서 다양한 1차 순서 NeSy 접근법을 포괄한다. 구체적으로, 이 구현은 모나드에 대해 파라메트릭하게 설계되어 있다; 예를 들어 Giry 모나드를 사용하면 연속 확률로의 확장이 가능하며(여기서는 신경망 표현을 구체화하는 것은 미래 연구에 맡긴다).
주요 공헌
본 논문은 다음 분야를 다룬다:
- cs.AI
- cs.LG
- cs.LO
- math.CT
- math.LO
- math.PR
방법론
자세한 방법론은 논문 전체를 참고하시기 바랍니다.
실용적 의미
본 연구는 cs.AI 분야의 발전에 기여한다.
저자
- Daniel Romero Schellhorn
- Till Mossakowski
- Björn Gehrke
논문 정보
- arXiv ID: 2606.19279v1
- 분야: cs.AI, cs.LG, cs.LO, math.CT, math.LO, math.PR
- 발행일: 2026년 6월 17일
- PDF: PDF 다운로드