論文の概要: Reasoning in Neurosymbolic AI

• arxiv url: http://arxiv.org/abs/2505.20313v1
• Date: Thu, 22 May 2025 11:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.161133
• Title: Reasoning in Neurosymbolic AI
• Title（参考訳）: ニューロシンボリックAIにおける推論
• Authors: Son Tran, Edjard Mota, Artur d'Avila Garcez,
• Abstract要約: ニューラルネットワークにおける推論と学習の原則的な統合は、ニューロシンボリック人工知能の領域の主目的である。 簡単なエネルギーベースのニューロシンボリックAIシステムは、命題論理式を形式的に表現し、推論することができる。
• 参考スコア（独自算出の注目度）: 2.25467522343563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge representation and reasoning in neural networks have been a long-standing endeavor which has attracted much attention recently. The principled integration of reasoning and learning in neural networks is a main objective of the area of neurosymbolic Artificial Intelligence (AI). In this chapter, a simple energy-based neurosymbolic AI system is described that can represent and reason formally about any propositional logic formula. This creates a powerful combination of learning from data and knowledge and logical reasoning. We start by positioning neurosymbolic AI in the context of the current AI landscape that is unsurprisingly dominated by Large Language Models (LLMs). We identify important challenges of data efficiency, fairness and safety of LLMs that might be addressed by neurosymbolic reasoning systems with formal reasoning capabilities. We then discuss the representation of logic by the specific energy-based system, including illustrative examples and empirical evaluation of the correspondence between logical reasoning and energy minimization using Restricted Boltzmann Machines (RBM). Learning from data and knowledge is also evaluated empirically and compared with a symbolic, neural and a neurosymbolic system. Results reported in this chapter in an accessible way are expected to reignite the research on the use of neural networks as massively-parallel models for logical reasoning and promote the principled integration of reasoning and learning in deep networks. We conclude the chapter with a discussion of the importance of positioning neurosymbolic AI within a broader framework of formal reasoning and accountability in AI, discussing the challenges for neurosynbolic AI to tackle the various known problems of reliability of deep learning.
• Abstract（参考訳）: ニューラルネットワークにおける知識表現と推論は長年にわたる取り組みであり、近年多くの注目を集めている。 ニューラルネットワークにおける推論と学習の原則的な統合は、ニューロシンボリック人工知能(AI)の領域の主目的である。 本章では、任意の命題論理式を形式的に表現し、推論できる単純なエネルギーベースのニューロシンボリックAIシステムについて述べる。 これはデータと知識と論理的推論から学ぶという強力な組み合わせを生み出します。 私たちは、当然のことながらLarge Language Models (LLMs)が支配する現在のAIランドスケープの文脈で、ニューロシンボリックAIを配置することから始めます。 フォーマルな推論能力を持つニューロシンボリック推論システムによって対処されるかもしれないLCMのデータの効率性、公正性、安全性に関する重要な課題を同定する。 次に、論理的推論とエネルギー最小化の対応の実証的な例と実証的な評価を含む、特定のエネルギーベースシステムによる論理の表現を、制限ボルツマンマシン(RBM)を用いて論じる。 データと知識からの学習も経験的に評価され、象徴的、神経的、神経象徴的なシステムと比較される。 この章で報告された結果は、論理的推論のための大規模並列モデルとしてのニューラルネットワークの利用の研究を再考し、深いネットワークにおける推論と学習の原則的な統合を促進することが期待されている。 この章は、AIの形式的推論と説明責任というより広範な枠組みの中で、ニューロシンボリックAIを位置づけることの重要性を議論し、深層学習の信頼性に関する様々な既知の問題に取り組むためのニューロシンボリックAIの課題について議論した。

関連論文リスト

• Formal Explanations for Neuro-Symbolic AI [28.358183683756028]
  本稿では,ニューロシンボリックシステムの決定を説明するための公式なアプローチを提案する。 これはまず、説明が必要な神経情報の個々の部分のサブセットを特定するのに役立つ。 これに続いて、階層的な形式的な説明の簡潔さを促進するために、互いに独立して、これらの個々の神経入力のみを説明する。
  論文  参考訳（メタデータ） (2024-10-18T07:08:31Z)
• Towards Efficient Neuro-Symbolic AI: From Workload Characterization to Hardware Architecture [22.274696991107206]
  ニューロシンボリックAIは、解釈可能性、堅牢性、信頼性を高めるニューラルネットワークとシンボリックアプローチを融合して、有望なパラダイムとして出現する。 最近のニューロシンボリックシステムは、推論と認知能力を備えた協調的な人間-AIシナリオにおいて大きな可能性を示している。 まず, ニューロシンボリックAIアルゴリズムを体系的に分類し, 実行時, メモリ, 計算演算子, 疎結合性, システム特性を実験的に評価し, 解析する。
  論文  参考訳（メタデータ） (2024-09-20T01:32:14Z)
• 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)
• A Complexity Map of Probabilistic Reasoning for Neurosymbolic Classification Techniques [6.775534755081169]
  我々は4つの確率論的推論問題に対する統一的な形式論を発展させる。 そして,いくつかの既知の新しいトラクタビリティの結果を,確率論的推論の1つの複雑性マップにコンパイルする。 我々は、この複雑性マップに基づいて、いくつかのテクニックのスケーラビリティのドメインを特徴づける。
  論文  参考訳（メタデータ） (2024-04-12T11:31:37Z)
• Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
  ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
  論文  参考訳（メタデータ） (2022-10-28T04:38:10Z)
• Knowledge-based Analogical Reasoning in Neuro-symbolic Latent Spaces [20.260546238369205]
  ニューラルネットワークのパターン認識能力とシンボリック推論と背景知識を組み合わせたフレームワークを提案する。 ニューラルアルゴリズム推論」アプローチ [DeepMind 2020] からインスピレーションを得て、問題固有のバックグラウンド知識を使用します。 我々は、RAVENのプログレッシブ・マトリクスにおける視覚的類似性の問題でこれを検証し、人間のパフォーマンスと競合する精度を実現する。
  論文  参考訳（メタデータ） (2022-09-19T04:03:20Z)
• 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)
• Neurosymbolic AI: The 3rd Wave [1.14219428942199]
  AIの信頼、安全性、解釈可能性、説明責任に関する懸念は、影響力のある思想家によって提起された。 多くは、知識表現と推論を深層学習に統合する必要性を認識している。 ニューラル・シンボリック・コンピューティングは、推論と説明可能性を備えた堅牢な学習をニューラルネットワークで組み合わせようとする研究の活発な領域である。
  論文  参考訳（メタデータ） (2020-12-10T18:31:38Z)

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。