論文の概要: Neurosymbolic Diffusion Models

• arxiv url: http://arxiv.org/abs/2505.13138v1
• Date: Mon, 19 May 2025 14:07:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.634978
• Title: Neurosymbolic Diffusion Models
• Title（参考訳）: ニューロシンボリック拡散モデル
• Authors: Emile van Krieken, Pasquale Minervini, Edoardo Ponti, Antonio Vergari,
• Abstract要約: ニューロシンボリック(NeSy)予測器は、視覚的推論のようなタスクを解決するために、神経知覚と象徴的推論を組み合わせる。 標準的なNeSy予測器は、抽出したシンボル間の条件付き独立性を仮定し、相互作用と不確実性をモデル化する能力を制限する。 我々はニューロシンボリック拡散モデル(NeSyDMs)を導入する。NeSy予測器はシンボル間の依存をモデル化するために離散拡散を利用する。
• 参考スコア（独自算出の注目度）: 14.424743331071241
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurosymbolic (NeSy) predictors combine neural perception with symbolic reasoning to solve tasks like visual reasoning. However, standard NeSy predictors assume conditional independence between the symbols they extract, thus limiting their ability to model interactions and uncertainty - often leading to overconfident predictions and poor out-of-distribution generalisation. To overcome the limitations of the independence assumption, we introduce neurosymbolic diffusion models (NeSyDMs), a new class of NeSy predictors that use discrete diffusion to model dependencies between symbols. Our approach reuses the independence assumption from NeSy predictors at each step of the diffusion process, enabling scalable learning while capturing symbol dependencies and uncertainty quantification. Across both synthetic and real-world benchmarks - including high-dimensional visual path planning and rule-based autonomous driving - NeSyDMs achieve state-of-the-art accuracy among NeSy predictors and demonstrate strong calibration.
• Abstract（参考訳）: ニューロシンボリック(NeSy)予測器は、視覚的推論のようなタスクを解決するために、神経知覚と象徴的推論を組み合わせる。 しかし、標準的なNeSy予測者は、それらが抽出するシンボル間の条件付き独立性を仮定し、それによって相互作用と不確実性をモデル化する能力を制限する。 独立性の仮定の限界を克服するために、シンボル間の依存をモデル化するために離散拡散を利用するNeSy予測器の新しいクラスNeSyDM(NeSyDMs)を導入する。 提案手法は, 拡散過程の各段階におけるNeSy予測器からの独立性仮定を再利用し, シンボル依存性と不確実性定量化を捕捉しながら, スケーラブルな学習を可能にする。 NeSyDMは、高次元のビジュアルパス計画とルールベースの自律運転を含む、合成と実世界のベンチマークの両方で、NeSy予測者の間で最先端の精度を達成し、強力なキャリブレーションを示す。

関連論文リスト

• Neurosymbolic AI for Travel Demand Prediction: Integrating Decision Tree Rules into Neural Networks [21.445133878049333]
  本研究では、決定木(DT)に基づくシンボルルールとニューラルネットワーク(NN)を統合し、旅行需要を予測するニューロシンボリック人工知能(Neurosymbolic AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-02T05:10:31Z)
• Relational Neurosymbolic Markov Models [13.22004615196798]
  逐次問題は、強化学習や自然言語処理など、AIにおいてユビキタスである。 我々はニューロシンボリックAI(NeSy)を導入し、深層確率モデルにおける制約を強制する健全なフォーマリズムを提供するが、逐次問題に対して指数関数的にスケールする。 本稿では, 逐次的設定に基づいて, 近似ベイズ推論, 自動推論, 勾配推定を組み合わせた推論と学習の戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-17T15:41:51Z)
• On the Independence Assumption in Neurosymbolic Learning [14.447011414006719]
  最先端のニューロシンボリック学習システムは確率論的推論を用いて、ニューラルネットワークを記号に対する論理的制約に従う予測へと導く。 このようなシステムの多くは、学習と推論を簡略化するために入力が与えられた場合、考慮されたシンボルの確率は条件的に独立であると仮定している。
  論文  参考訳（メタデータ） (2024-04-12T13:09:48Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Modeling Implicit Bias with Fuzzy Cognitive Maps [0.0]
  本稿では、構造化データセットにおける暗黙バイアスを定量化するファジィ認知マップモデルを提案する。 本稿では,ニューロンの飽和を防止する正規化様伝達関数を備えた新しい推論機構を提案する。
  論文  参考訳（メタデータ） (2021-12-23T17:04:12Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)

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。