論文の概要: Neuro-Conceptual Artificial Intelligence: Integrating OPM with Deep Learning to Enhance Question Answering Quality

• arxiv url: http://arxiv.org/abs/2502.09658v1
• Date: Wed, 12 Feb 2025 06:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:47:57.643705
• Title: Neuro-Conceptual Artificial Intelligence: Integrating OPM with Deep Learning to Enhance Question Answering Quality
• Title（参考訳）: ニューロコンセプチュアル人工知能:OPMとディープラーニングの統合による質問応答品質の向上
• Authors: Xin Kang, Veronika Shteingardt, Yuhan Wang, Dov Dori,
• Abstract要約: 我々は、ニューロ・シンボリックAIアプローチの専門化であるニューロ・コンセプチュアル・人工知能(NCAI)を紹介する。 NCAIは、Object-Process Methodology (OPM) ISO 19450:2024 を用いた概念モデリングをディープラーニングと統合し、質問応答(QA)の品質を向上させる。 我々の実験では、NCAIは従来の手法よりも優れており、ニューロシンボリックAIの進歩の可能性を強調している。
• 参考スコア（独自算出の注目度）: 3.0013471879962594
• License:
• Abstract: Knowledge representation and reasoning are critical challenges in Artificial Intelligence (AI), particularly in integrating neural and symbolic approaches to achieve explainable and transparent AI systems. Traditional knowledge representation methods often fall short of capturing complex processes and state changes. We introduce Neuro-Conceptual Artificial Intelligence (NCAI), a specialization of the neuro-symbolic AI approach that integrates conceptual modeling using Object-Process Methodology (OPM) ISO 19450:2024 with deep learning to enhance question-answering (QA) quality. By converting natural language text into OPM models using in-context learning, NCAI leverages the expressive power of OPM to represent complex OPM elements-processes, objects, and states-beyond what traditional triplet-based knowledge graphs can easily capture. This rich structured knowledge representation improves reasoning transparency and answer accuracy in an OPM-QA system. We further propose transparency evaluation metrics to quantitatively measure how faithfully the predicted reasoning aligns with OPM-based conceptual logic. Our experiments demonstrate that NCAI outperforms traditional methods, highlighting its potential for advancing neuro-symbolic AI by providing rich knowledge representations, measurable transparency, and improved reasoning.
• Abstract（参考訳）: 知識表現と推論は人工知能(AI)において重要な課題であり、特に説明可能な透明なAIシステムを実現するためのニューラルネットワークとシンボリックアプローチの統合において重要である。 伝統的な知識表現法は、複雑なプロセスや状態の変化を捉えるのに不足することが多い。 本稿では,POPM (Object-Process Methodology) ISO 19450:2024 を用いた概念モデリングと深層学習を統合し,質問応答(QA)品質を向上させるニューロシンボリックAIアプローチの特殊化であるニューロコンセプチュアル人工知能(NCAI)を紹介する。 自然言語のテキストを文脈内学習を用いてOPMモデルに変換することで、NCAIはOPMの表現力を活用して、複雑なOPM要素プロセス、オブジェクト、そして従来のトリプルトベースの知識グラフが容易に取得できるもの以外の状態を表現する。 この豊富な構造化知識表現は、OPM-QAシステムにおける推論透明性と解答精度を向上させる。 さらに、予測された推論がOPMに基づく概念論理とどのように一致しているかを定量的に測定する透明性評価指標を提案する。 我々の実験は、NCAIが従来の手法よりも優れており、豊かな知識表現、測定可能な透明性、推論の改善を提供することで、ニューロシンボリックAIを前進させる可能性を強調している。

関連論文リスト

• Unlocking the Potential of Generative AI through Neuro-Symbolic Architectures: Benefits and Limitations [0.7499722271664147]
  ニューロシンボリック人工知能(NSAI)は人工知能(AI)における変革的アプローチである NSAIは、大規模および非構造化データを扱うディープラーニングの能力と、シンボリックメソッドの構造的推論を組み合わせる。 本稿では、NSAIアーキテクチャを体系的に研究し、ニューラルネットワークとシンボリックコンポーネントの統合に対する独自のアプローチを強調した。
  論文  参考訳（メタデータ） (2025-02-16T21:06:33Z)
• 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)
• LB-KBQA: Large-language-model and BERT based Knowledge-Based Question and Answering System [7.626368876843794]
  本稿では,Large Language Model(LLM)とBERT(LB-KBQA)に基づく新しいKBQAシステムを提案する。 生成AIの助けを借りて,提案手法は新たに出現した意図を検知し,新たな知識を得ることができた。 ファイナンシャルドメイン質問応答の実験では,本モデルの方が優れた効果を示した。
  論文  参考訳（メタデータ） (2024-02-05T16:47:17Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• Beyond Traditional Neural Networks: Toward adding Reasoning and Learning Capabilities through Computational Logic Techniques [0.0]
  本研究では,知識注入プロセスを改善し,MLとロジックの要素をマルチエージェントシステムに統合する手法を提案する。 Neuro-Symbolic AIは、ニューラルネットワークとシンボリック推論の強みを組み合わせた、有望なアプローチとして登場した。
  論文  参考訳（メタデータ） (2023-08-30T09:09:42Z)
• Towards Human Cognition Level-based Experiment Design for Counterfactual Explanations (XAI) [68.8204255655161]
  XAI研究の重点は、より理解を深めるために、より実践的な説明アプローチに変わったようだ。 認知科学研究がXAIの進歩に大きく影響を与える可能性のある領域は、ユーザの知識とフィードバックを評価することである。 本研究では,異なる認知レベルの理解に基づく説明の生成と評価を実験する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-31T19:20:22Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。