論文の概要: Mutual Understanding between People and Systems via Neurosymbolic AI and Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2504.11200v1
• Date: Tue, 15 Apr 2025 13:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:10:24.676810
• Title: Mutual Understanding between People and Systems via Neurosymbolic AI and Knowledge Graphs
• Title（参考訳）: ニューロシンボリックAIと知識グラフによる人とシステム間の相互理解
• Authors: Irene Celino, Mario Scrocca, Agnese Chiatti,
• Abstract要約: 本稿では,知識の共有,知識の交換,知識の統制という,相互理解を特徴付ける3つの重要な側面を紹介する。 我々は、人間、人工、ロボットエージェント間の意味のある交換を支援するため、NeSy AIとKnowledge Graphsの応用を実証するいくつかのユースケースシナリオを提示する。
• 参考スコア（独自算出の注目度）: 0.20482269513546453
• License:
• Abstract: This chapter investigates the concept of mutual understanding between humans and systems, positing that Neuro-symbolic Artificial Intelligence (NeSy AI) methods can significantly enhance this mutual understanding by leveraging explicit symbolic knowledge representations with data-driven learning models. We start by introducing three critical dimensions to characterize mutual understanding: sharing knowledge, exchanging knowledge, and governing knowledge. Sharing knowledge involves aligning the conceptual models of different agents to enable a shared understanding of the domain of interest. Exchanging knowledge relates to ensuring the effective and accurate communication between agents. Governing knowledge concerns establishing rules and processes to regulate the interaction between agents. Then, we present several different use case scenarios that demonstrate the application of NeSy AI and Knowledge Graphs to aid meaningful exchanges between human, artificial, and robotic agents. These scenarios highlight both the potential and the challenges of combining top-down symbolic reasoning with bottom-up neural learning, guiding the discussion of the coverage provided by current solutions along the dimensions of sharing, exchanging, and governing knowledge. Concurrently, this analysis facilitates the identification of gaps and less developed aspects in mutual understanding to address in future research.
• Abstract（参考訳）: 本章は,人間とシステム間の相互理解の概念を考察し,ニューロシンボリック人工知能(NeSy AI)手法が,明示的な記号的知識表現とデータ駆動学習モデルを活用することにより,この相互理解を著しく向上させることができることを示唆する。 まず、知識の共有、知識の交換、知識の統制という、相互理解を特徴付ける3つの重要な側面を紹介します。 知識を共有するには、関心領域の共通理解を可能にするために異なるエージェントの概念モデルを調整する必要がある。 知識の交換は、エージェント間の効果的かつ正確なコミュニケーションを保証することに関連する。 知識の統制 エージェント間の相互作用を規制するためのルールとプロセスを確立すること。 そして、人間、人工、ロボットエージェント間の意味のある交換を支援するために、NeSy AIとKnowledge Graphsの応用を実証するいくつかのユースケースシナリオを示す。 これらのシナリオは、トップダウンのシンボリック推論とボトムアップのニューラルラーニングを組み合わせた可能性と課題の両方を強調し、知識の共有、交換、管理の次元に沿って、現在のソリューションによって提供されるカバレッジに関する議論を導く。 同時に、この分析は、将来の研究で解決すべき相互理解におけるギャップの特定と、未発達の側面の同定を促進する。

関連論文リスト

• Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective [55.79507207292647]
  知識グラフ推論は、データマイニング、人工知能、Web、社会科学など、さまざまな分野において重要である。 ニューラルAIの台頭は、深層学習の頑健さと象徴的推論の精度を融合させることで、大きな進歩を見せている。 大規模言語モデル(LLM)の出現により、知識グラフ推論の新しいフロンティアが開かれた。
  論文  参考訳（メタデータ） (2024-11-30T18:54:08Z)
• 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)
• Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
  人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。 異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。 現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
  論文  参考訳（メタデータ） (2024-02-08T07:18:23Z)
• KIX: A Knowledge and Interaction-Centric Metacognitive Framework for Task Generalization [2.4214136080186233]
  我々は、型空間を利用したオブジェクトとの相互作用は、伝達可能な相互作用の概念と一般化の学習を促進すると論じる。 これは知識を強化学習に統合する自然な方法であり、人工知能システムにおける自律的および汎用的な行動の実現手段として機能することを約束している。
  論文  参考訳（メタデータ） (2024-02-08T01:41:28Z)
• Toward enriched Cognitive Learning with XAI [44.99833362998488]
  本稿では,人工知能(AI)ツールによる認知学習のためのインテリジェントシステム(CL-XAI)を提案する。 CL-XAIの使用は、学習者が問題解決スキルを高めるために問題に取り組むゲームインスパイアされた仮想ユースケースで説明される。
  論文  参考訳（メタデータ） (2023-12-19T16:13:47Z)
• Neurosymbolic AI - Why, What, and How [9.551858963199987]
  人間は知覚と認知の組み合わせを使って環境と相互作用する。 一方、機械認識はより複雑な計算を包含する。 本稿では,ニューロシンボリックAIの新たなパラダイムを紹介する。
  論文  参考訳（メタデータ） (2023-05-01T13:27:22Z)
• Interpreting Neural Policies with Disentangled Tree Representations [58.769048492254555]
  本稿では,コンパクトなニューラルポリシーの解釈可能性について,不整合表現レンズを用いて検討する。 決定木を利用して,ロボット学習における絡み合いの要因を抽出する。 学習したニューラルダイナミクスの絡み合いを計測する解釈可能性指標を導入する。
  論文  参考訳（メタデータ） (2022-10-13T01:10:41Z)
• 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)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

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。