The vast majority of recent machine learning models are based on neural networks. Although neural
networks perform very well in many domains, they are still hard to capture logical constraints from the
dataset. Among the previous research against this problem, i.e. finding a neural network architecture
supporting logical reasoning, SATNet is one of the first models which both captures the logical relations
and gives a solution for its learned logical relation. However, it still lacks some desirable components:
group equivariance, interpretability, and low-cost computation. We suggest a method for improving
performance by exploiting group symmetries, inferring learned symmetries, and reducing computation
cost. Furthermore, we have analyzed the weaknesses and limitations of SATNet and suggested an
improved method of solving group equivariant logical problems with our improvements.
최근 머신러닝 모델의 절대 대수는 인공 신경망에 기반을 두고 있다. 인공 신경망은 여러 분야에서 좋은
성능을 보이지만, 데이터셋에서 논리적 성질을 파악하는 것에 문제를 겪고 있다. 이러한 문제를 해결하기
위해 진행된 논리적 추론을 가능하게 하는 인공 신경망 연구 중 SATNet은 처음으로 논리적 관계를 학습함을
동시에 논리적 해를 찾을 수 있는 것을 가능하게 하는 모델 중 하나이다. 하지만 여전히 Group equivariance,
해석 가능성, 낮은 계산 비용과 같은 인공 신경망의 원하는 성질을 가지지는 못한다. 이 논문에서는 군 대
칭성을 활용하여 학습한 모델의 대칭성 추론, 계산 비용 감소의 한 방법을 제시한다. 또한, 이 논문에서는
SATNet의 기존 문제점과 한계를 분석했으며 group equivariant 성질을 가지는 논리적 문제에 대한 개선된
해결법을 제시한다
