論文の概要: Neuro-Symbolic Spatio-Temporal Reasoning

• arxiv url: http://arxiv.org/abs/2211.15566v1
• Date: Mon, 28 Nov 2022 17:21:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 17:54:07.358865
• Title: Neuro-Symbolic Spatio-Temporal Reasoning
• Title（参考訳）: ニューロシンボリック時空間推論
• Authors: Jae Hee Lee, Michael Sioutis, Kyra Ahrens, Marjan Alirezaie, Matthias Kerzel, Stefan Wermter
• Abstract要約: 時空間的知識は物理的世界との相互作用を超えて必要である。 これをAIシステムに統合するために、さまざまな試みがなされている。 本稿では,空間的知識と時間的知識に基づく論理的推論と機械学習の相乗効果を提案する。
• 参考スコア（独自算出の注目度）: 16.29507250221851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge about space and time is necessary to solve problems in the physical world: An AI agent situated in the physical world and interacting with objects often needs to reason about positions of and relations between objects; and as soon as the agent plans its actions to solve a task, it needs to consider the temporal aspect (e.g., what actions to perform over time). Spatio-temporal knowledge, however, is required beyond interacting with the physical world, and is also often transferred to the abstract world of concepts through analogies and metaphors (e.g., "a threat that is hanging over our heads"). As spatial and temporal reasoning is ubiquitous, different attempts have been made to integrate this into AI systems. In the area of knowledge representation, spatial and temporal reasoning has been largely limited to modeling objects and relations and developing reasoning methods to verify statements about objects and relations. On the other hand, neural network researchers have tried to teach models to learn spatial relations from data with limited reasoning capabilities. Bridging the gap between these two approaches in a mutually beneficial way could allow us to tackle many complex real-world problems, such as natural language processing, visual question answering, and semantic image segmentation. In this chapter, we view this integration problem from the perspective of Neuro-Symbolic AI. Specifically, we propose a synergy between logical reasoning and machine learning that will be grounded on spatial and temporal knowledge. Describing some successful applications, remaining challenges, and evaluation datasets pertaining to this direction is the main topic of this contribution.
• Abstract（参考訳）: 空間と時間に関する知識は、物理的世界の問題を解決するために必要である: 物理的世界に位置し、オブジェクトと相互作用するaiエージェントは、しばしばオブジェクト間の位置と関係について判断する必要がある。 しかし時空間的知識は物理的世界との相互作用を超えて必要であり、しばしばアナロジーやメタファー(例えば「私たちの頭の上に掛かっている脅威」)を通して抽象的な概念の世界に移される。 空間的および時間的推論はユビキタスであるため、これをAIシステムに統合するためのさまざまな試みがなされている。 知識表現の分野では、空間的および時間的推論は、オブジェクトとリレーションシップのモデリングと、オブジェクトとリレーションシップに関するステートメントを検証するための推論方法の開発に大きく制限されている。 一方、ニューラルネットワーク研究者は、限られた推論能力を持つデータから空間関係を学習するモデルを教えようとした。 これら2つのアプローチ間のギャップを相互に有益な方法で橋渡しすることで、自然言語処理、視覚的質問応答、セマンティックイメージのセグメンテーションなど、多くの複雑な実世界の問題に対処できます。 本章では、ニューロシンボリックAIの観点から、この統合問題を考察する。 具体的には,空間的および時間的知識に基づく論理的推論と機械学習の相乗効果を提案する。 いくつかの成功したアプリケーション、残る課題、そしてこの方向に関連する評価データセットを記述することが、この貢献の主要なトピックである。

関連論文リスト

• STAR: A Benchmark for Situated Reasoning in Real-World Videos [94.78038233351758]
  本稿では,実世界のビデオに対して,状況抽象化と論理的質問応答による位置推論能力を評価する新しいベンチマークを提案する。 データセットには、インタラクション、シーケンス、予測、実現可能性の4つのタイプが含まれている。 本稿では,視覚知覚,状況抽象化,言語理解,機能推論を両立させることができる診断型ニューロシンボリックモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-15T21:53:54Z)
• Reconciling Spatial and Temporal Abstractions for Goal Representation [0.4813333335683418]
  ゴール表現は階層強化学習(HRL)アルゴリズムの性能に影響する。 近年の研究では、時間的に抽象的な環境動態を保った表現が困難な問題の解決に成功していることが示されている。 本稿では,空間的および時間的目標抽象化の両方において,階層の異なるレベルにおいて,新しい3層HRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-18T10:33:30Z)
• I-PHYRE: Interactive Physical Reasoning [25.02124862476204]
  I-PHYREは、エージェントに直感的な物理的推論、多段階計画、その場介入を同時に提示するフレームワークである。 4つのゲーム分割を定式化し、エージェントの学習と対話的物理的推論の基本原理の一般化を精査する。
  論文  参考訳（メタデータ） (2023-12-04T19:01:19Z)
• Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic Systems [67.01132165581667]
  本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。 本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
  論文  参考訳（メタデータ） (2023-11-13T21:20:17Z)
• Causal Deep Learning [77.49632479298745]
  因果性は、現実世界の問題を解決する方法を変える可能性がある。 しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。 我々は、因果性に関する新しい考え方を提案します。
  論文  参考訳（メタデータ） (2023-03-03T19:19:18Z)
• Neural Fields in Visual Computing and Beyond [54.950885364735804]
  機械学習の最近の進歩は、座標ベースニューラルネットワークを用いた視覚コンピューティング問題の解決への関心が高まっている。 ニューラルネットワークは、3D形状と画像の合成、人体のアニメーション、3D再構成、ポーズ推定に成功している。 本報告は、文脈、数学的基礎、および、ニューラルネットワークに関する文献の広範なレビューを提供する。
  論文  参考訳（メタデータ） (2021-11-22T18:57:51Z)
• HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem Solving [104.79156980475686]
  人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。 エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。 このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
  論文  参考訳（メタデータ） (2021-02-22T20:37:01Z)
• On the Binding Problem in Artificial Neural Networks [12.04468744445707]
  この欠点の根底にある原因は、動的かつ柔軟に情報を結合できないことである。 非構造化感覚入力から有意義な実体を形成するための統一フレームワークを提案する。 我々は,人間レベルの一般化を実現する上で,AIに対する構成的アプローチが基本的重要性であると考えている。
  論文  参考訳（メタデータ） (2020-12-09T18:02:49Z)
• Neurosymbolic AI for Situated Language Understanding [13.249453757295083]
  我々は,これらの学習課題に対する解法として,計算位置定位法が有効であると主張している。 我々のモデルは、古典的なAIの考えをニューロシンボリックインテリジェンス(英語版)の枠組みに再組み入れている。 我々は、さまざまなAI学習課題に対して、位置情報が多様なデータと複数のレベルのモデリングを提供する方法について論じる。
  論文  参考訳（メタデータ） (2020-12-05T05:03:28Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)

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。