論文の概要: Neuro-symbolic Explainable Artificial Intelligence Twin for Zero-touch IoE in Wireless Network

• arxiv url: http://arxiv.org/abs/2210.06649v1
• Date: Thu, 13 Oct 2022 01:08:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 17:10:03.876749
• Title: Neuro-symbolic Explainable Artificial Intelligence Twin for Zero-touch IoE in Wireless Network
• Title（参考訳）: 無線ネットワークにおけるゼロタッチIoEのためのニューロシンボリック説明可能な人工知能
• Authors: Md. Shirajum Munir, Ki Tae Kim, Apurba Adhikary, Walid Saad, Sachin Shetty, Seong-Bae Park, and Choong Seon Hong
• Abstract要約: 説明可能な人工知能(XAI)双対システムは、ゼロタッチネットワークとサービス管理(ZSM)の基本的な実現要因となる。 ZSMのための信頼性の高いXAIツインシステムは、すべてのインターネット(IoE)の物理的振る舞いを識別する極端な分析能力と、そのような振る舞いの推論を特徴付ける厳密な方法の2つの合成を必要とする。 無線IoEのための信頼性の高いZSMを実現するために、新しいニューロシンボリックな説明可能な人工知能ツインフレームワークが提案されている。
• 参考スコア（独自算出の注目度）: 61.90504487270785
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Explainable artificial intelligence (XAI) twin systems will be a fundamental enabler of zero-touch network and service management (ZSM) for sixth-generation (6G) wireless networks. A reliable XAI twin system for ZSM requires two composites: an extreme analytical ability for discretizing the physical behavior of the Internet of Everything (IoE) and rigorous methods for characterizing the reasoning of such behavior. In this paper, a novel neuro-symbolic explainable artificial intelligence twin framework is proposed to enable trustworthy ZSM for a wireless IoE. The physical space of the XAI twin executes a neural-network-driven multivariate regression to capture the time-dependent wireless IoE environment while determining unconscious decisions of IoE service aggregation. Subsequently, the virtual space of the XAI twin constructs a directed acyclic graph (DAG)-based Bayesian network that can infer a symbolic reasoning score over unconscious decisions through a first-order probabilistic language model. Furthermore, a Bayesian multi-arm bandits-based learning problem is proposed for reducing the gap between the expected explained score and the current obtained score of the proposed neuro-symbolic XAI twin. To address the challenges of extensible, modular, and stateless management functions in ZSM, the proposed neuro-symbolic XAI twin framework consists of two learning systems: 1) an implicit learner that acts as an unconscious learner in physical space, and 2) an explicit leaner that can exploit symbolic reasoning based on implicit learner decisions and prior evidence. Experimental results show that the proposed neuro-symbolic XAI twin can achieve around 96.26% accuracy while guaranteeing from 18% to 44% more trust score in terms of reasoning and closed-loop automation.
• Abstract（参考訳）: 説明可能な人工知能 (xai) ツインシステムは、第6世代 (6g) 無線ネットワークのためのゼロタッチネットワークとサービス管理 (zsm) を実現する。 zsmの信頼性の高いxai双生児システムには2つの複合材料が必要である: モノのインターネット(ioe)の物理的挙動を識別する極端な分析能力と、そのような行動の推論を厳格に特徴付ける方法である。 本稿では,ワイヤレスIoEのための信頼性の高いZSMを実現するために,ニューロシンボリックな説明可能な人工知能双対フレームワークを提案する。 XAIツインの物理空間は、ニューラルネットワーク駆動の多変量回帰を実行し、時間依存の無線IoE環境を捕捉し、IoEサービスアグリゲーションの無意識決定を決定する。 その後、XAI双対の仮想空間は有向非巡回グラフ(DAG)ベースのベイズネットワークを構成し、一階確率言語モデルを通して無意識決定よりも象徴的な推論スコアを推測することができる。 さらに,提案したニューロシンボリックXAI双生児の期待値と現在のスコアとのギャップを低減するため,ベイズ的マルチアームバンディットに基づく学習問題を提案する。 ZSMにおける拡張性、モジュール性、ステートレスな管理機能の課題に対処するため、ニューロシンボリックXAIツインフレームワークは2つの学習システムから構成されている。 1)無意識の空間学習者として働く暗黙の学習者、及び 2)暗黙の学習者決定と事前の証拠に基づく象徴的推論を活用できる明示的なリーン化。 実験の結果、提案されたニューロシンボリックXAI双生児は96.26%の精度を達成でき、推論とクローズドループ自動化の点で18%から44%の信頼スコアが保証されている。

関連論文リスト

• Towards Efficient Neuro-Symbolic AI: From Workload Characterization to Hardware Architecture [22.274696991107206]
  ニューロシンボリックAIは、解釈可能性、堅牢性、信頼性を高めるニューラルネットワークとシンボリックアプローチを融合して、有望なパラダイムとして出現する。 最近のニューロシンボリックシステムは、推論と認知能力を備えた協調的な人間-AIシナリオにおいて大きな可能性を示している。 まず, ニューロシンボリックAIアルゴリズムを体系的に分類し, 実行時, メモリ, 計算演算子, 疎結合性, システム特性を実験的に評価し, 解析する。
  論文  参考訳（メタデータ） (2024-09-20T01:32:14Z)
• Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
  コネクショニストと象徴的人工知能(AI)の収束を探求する記事 従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。 大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-11T14:00:53Z)
• Imperative Learning: A Self-supervised Neural-Symbolic Learning Framework for Robot Autonomy [31.818923556912495]
  我々は,ロボット自律のための自己教師型ニューラルシンボリック(NeSy)計算フレームワーク,インペラティブラーニング(IL)を導入する。 ILを2段階最適化(BLO)として定式化し、3つのモジュール間の相互学習を可能にする。 ILはロボットの自律性を大幅に向上させ、多様な領域にわたるさらなる研究を促進することを期待している。
  論文  参考訳（メタデータ） (2024-06-23T12:02:17Z)
• Exploring knowledge graph-based neural-symbolic system from application perspective [0.0]
  AIシステムにおけるヒューマンライクな推論と解釈可能性の実現は、依然として大きな課題である。 ニューラルネットワークをシンボリックシステムと統合するNeural-Symbolicパラダイムは、より解釈可能なAIへの有望な経路を提供する。 本稿では,知識グラフに基づくニューラルシンボリック統合の最近の進歩について考察する。
  論文  参考訳（メタデータ） (2024-05-06T14:40:50Z)
• Causal Reasoning: Charting a Revolutionary Course for Next-Generation AI-Native Wireless Networks [63.246437631458356]
  次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。 本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。 因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
  論文  参考訳（メタデータ） (2023-09-23T00:05:39Z)
• Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
  デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。 無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-25T00:15:00Z)
• Neuro-Symbolic Causal Reasoning Meets Signaling Game for Emergent Semantic Communications [71.63189900803623]
  創発的SCシステムフレームワークを提案し,創発的言語設計のためのシグナリングゲームと因果推論のためのニューロシンボリック(NeSy)人工知能(AI)アプローチで構成されている。 ESCシステムは、意味情報、信頼性、歪み、類似性の新たな指標を強化するように設計されている。
  論文  参考訳（メタデータ） (2022-10-21T15:33:37Z)
• Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic Communication [85.06664206117088]
  6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。 観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。 GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
  論文  参考訳（メタデータ） (2022-05-22T07:11:57Z)
• From Statistical Relational to Neurosymbolic Artificial Intelligence: a Survey [16.080532260468594]
  本稿では,ニューロシンボリックと統計的リレーショナル人工知能の2つの分野における学習と推論の統合について検討する。 AIの2つのサブフィールド間の7つの共有次元を識別する。 これらの次元に沿って様々なNeSyとStarAIシステムを配置し、それらの類似点と相違点を指摘することによって、この調査は学習と推論の統合を理解するための基本的な概念に寄与する。
  論文  参考訳（メタデータ） (2021-08-25T19:47:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。