論文の概要: A Neurosymbolic Fast and Slow Architecture for Graph Coloring

• arxiv url: http://arxiv.org/abs/2412.01752v1
• Date: Mon, 02 Dec 2024 17:47:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:50:35.864964
• Title: A Neurosymbolic Fast and Slow Architecture for Graph Coloring
• Title（参考訳）: グラフカラー化のためのニューロシンボリック高速・低速アーキテクチャ
• Authors: Vedant Khandelwal, Vishal Pallagani, Biplav Srivastava, Francesca Rossi,
• Abstract要約: 制約満足度問題(CSP)は人工知能に重大な課題をもたらす。 既存のシンボリック・ソルバは、しばしば遅く、以前の研究では、LLM(Large Language Models)は、その複雑さのため、CSP(Large Language Models)のみに苦しむことが示されている。 私たちは、Daniel Kahneman氏の'Thinking, Fast and Slow'の認知モデルをAIに適用する、既存のSOFAIアーキテクチャ(SOFAI-v1)に基づいています。
• 参考スコア（独自算出の注目度）: 19.006310126006756
• License:
• Abstract: Constraint Satisfaction Problems (CSPs) present significant challenges to artificial intelligence due to their intricate constraints and the necessity for precise solutions. Existing symbolic solvers are often slow, and prior research has shown that Large Language Models (LLMs) alone struggle with CSPs because of their complexity. To bridge this gap, we build upon the existing SOFAI architecture (or SOFAI-v1), which adapts Daniel Kahneman's ''Thinking, Fast and Slow'' cognitive model to AI. Our enhanced architecture, SOFAI-v2, integrates refined metacognitive governance mechanisms to improve adaptability across complex domains, specifically tailored for solving CSPs like graph coloring. SOFAI-v2 combines a fast System 1 (S1) based on LLMs with a deliberative System 2 (S2) governed by a metacognition module. S1's initial solutions, often limited by non-adherence to constraints, are enhanced through metacognitive governance, which provides targeted feedback and examples to adapt S1 to CSP requirements. If S1 fails to solve the problem, metacognition strategically invokes S2, ensuring accurate and reliable solutions. With empirical results, we show that SOFAI-v2 for graph coloring problems achieves a 16.98% increased success rate and is 32.42% faster than symbolic solvers.
• Abstract（参考訳）: 制約満足度問題(Constraint Satisfaction Problems, CSP)は、複雑な制約と正確な解決策の必要性から、人工知能に重大な課題をもたらす。 既存のシンボリック・ソルバは、しばしば遅く、以前の研究では、LLM(Large Language Models)は、その複雑さのため、CSP(Large Language Models)のみに苦しむことが示されている。 このギャップを埋めるために、我々は、Daniel Kahneman氏の'Thinking, Fast and Slow'の認知モデルをAIに適用する既存のSOFAIアーキテクチャ(SOFAI-v1)を構築します。 我々の拡張アーキテクチャであるSOFAI-v2は、洗練されたメタ認知ガバナンス機構を統合し、複雑なドメイン間の適応性を改善する。 SOFAI-v2はLSMをベースとした高速システム1(S1)とメタ認知モジュールが管理する検討システム2(S2)を組み合わせる。 S1の初期ソリューションは、しばしば制約への非整合性によって制限されるが、メタ認知的ガバナンスによって強化され、S1をCSP要求に適応するためのターゲットとなるフィードバックと例を提供する。 S1 が解けなかった場合、メタ認知は S2 を戦略的に呼び起こし、正確で信頼性の高い解を確実にする。 実験結果から,グラフ着色問題に対するSOFAI-v2は16.98%向上し,シンボル解法よりも32.42%高速であることがわかった。

関連論文リスト

• Self-Supervised State Space Model for Real-Time Traffic Accident Prediction Using eKAN Networks [18.385759762991896]
  SSL-eKambaは、交通事故予測のための効率的な自己組織化フレームワークである。 一般化を促進するために,交通パターン表現を適応的に改善する2つの自己教師付き補助タスクを設計する。 2つの実世界のデータセットの実験では、SSL-eKambaは最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2024-09-09T14:25:51Z)
• Visual Agents as Fast and Slow Thinkers [88.6691504568041]
  本稿では、Fast and Slow Thinking機構を視覚エージェントに組み込んだFaSTを紹介する。 FaSTは、システム1/2モード間の動的選択にスイッチアダプタを使用する。 モデルの信頼性を調整し、新しいコンテキストデータを統合することで、不確実で目に見えないオブジェクトに取り組む。
  論文  参考訳（メタデータ） (2024-08-16T17:44:02Z)
• A Novel Spatiotemporal Coupling Graph Convolutional Network [0.18130068086063336]
  本稿では,新しいグラフ・コンテンポラル・ネットワーク(GCN)に基づく動的推定器,すなわちスペース・カップリングGCN(SCG)モデルについて述べる。 その結果、SCGは最先端技術と比較して精度が高く、ユーザやクラウドサービスへの強力な表現を学習できることを示した。
  論文  参考訳（メタデータ） (2024-08-09T02:02:01Z)
• HCS-TNAS: Hybrid Constraint-driven Semi-supervised Transformer-NAS for Ultrasound Image Segmentation [0.34089646689382486]
  超音波セグメンテーションのためのハイブリッド拘束駆動半教師型トランスフォーマー-NAS(HCS-TNAS)を提案する。 HCS-TNASは、ViTのアテンション計算の前に、マルチスケールトークン検索のための効率的なNAS-ViTモジュールを含み、より少ない計算コストでコンテキスト情報とローカル情報を効果的にキャプチャする。 公開データセットの実験では、HCS-TNASが最先端のパフォーマンスを達成し、超音波セグメンテーションの限界を押し上げることが示されている。
  論文  参考訳（メタデータ） (2024-07-05T01:02:12Z)
• Fast and Slow Generating: An Empirical Study on Large and Small Language Models Collaborative Decoding [27.004817441034795]
  大規模言語モデルと小言語モデル(SLM)の協調的復号化は,これらの問題を緩和するための有望な戦略を示す。 両プロセス認知理論に着想を得て,FS-GEN(Fast and Slow Generating)と呼ばれる統合フレームワークを提案する。 このフレームワーク内では、LSMはSystem 2(slow and intention)に、独立したSLMはSystem 1に分類される。
  論文  参考訳（メタデータ） (2024-06-18T05:59:28Z)
• Fast and Slow Planning [25.91512962807549]
  SOFAIは、高速または遅いと特徴付ける異なる機能と、それらを制御するメタ認知モジュールを備えた、複数の解決アプローチを利用する。 このシステムの振舞いは最先端の解法と比較され、新たに導入されたシステムは一般性の観点からより良い結果を示すことを示す。
  論文  参考訳（メタデータ） (2023-03-07T23:05:38Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• Learning to Solve Combinatorial Graph Partitioning Problems via Efficient Exploration [72.15369769265398]
  実験により、ECORDは最大カット問題に対するRLアルゴリズムのための新しいSOTAを実現する。 最も近い競合と比較して、ECORDは最適性ギャップを最大73%削減する。
  論文  参考訳（メタデータ） (2022-05-27T17:13:10Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Transformer-based Machine Learning for Fast SAT Solvers and Logic Synthesis [63.53283025435107]
  CNFベースのSATとMaxSATは論理合成と検証システムの中心である。 そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
  論文  参考訳（メタデータ） (2021-07-15T04:47:35Z)

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。