Logical GANs: Adversarial Learning through Ehrenfeucht Fraisse Games
Mirco A. Mannucci
GANs承诺不区分,逻辑解释它。 我们把两者放在预算上:一个只能“看到”到逻辑深度k的判别器,以及一个必须看起来正确的生成器。 LOGAN(LOGical GANs)将鉴别器描绘成一个深度-k Ehrenfeucht-Fraïssé(EF)对手,搜索小的,可清晰的故障(奇怪的循环,非平面交叉,定向桥梁),而生成器播放生成器,产生允许k-round匹配目标理论T的样本。 我们推出了一个最小的工具包 - 一个EF探测器模拟器和MSO风格的图形检查器 - 以及四个实验,包括使用PyTorch进行真正的神经GAN训练。 除了验证之外,我们还对样本进行逻辑损失的评分,将预算的EF圆形弹性与便宜的证书条款混合,从而实现深度实践课程。 框架验证通过模拟演示了92%-98%的属性满意度(Exp. 3),虽然真正的神经GAN训练通过对抗性学习(Exp)在具有挑战性的属性上实现了5%-14%的改进和98%的连接(匹配模拟)的满意度。 4). LOGAN是一个紧凑的,可重复的走向逻辑边界生成的路径,具有可解释的失败,经过验证的有效性(模拟和真实的训练)以及用于控制的拨号盘。
GANs promise indistinguishability, logic explains it. We put the two on a budget: a discriminator that can only "see" up to a logical depth k, and a generator that must look correct to that bounded observer. LOGAN (LOGical GANs) casts the discriminator as a depth-k Ehrenfeucht–Fraïssé (EF) Opponent that searches for small, legible faults (odd cycles, nonplanar crossings, directed bridges), while the generator plays Builder, producing samples that admit a k-round matching to a target theory T. We...