論文の概要: Assured Autonomy with Neuro-Symbolic Perception

• arxiv url: http://arxiv.org/abs/2505.21322v1
• Date: Tue, 27 May 2025 15:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.750814
• Title: Assured Autonomy with Neuro-Symbolic Perception
• Title（参考訳）: ニューロ・シンボリック・パーセプションによる自律性保証
• Authors: R. Spencer Hallyburton, Miroslav Pajic,
• Abstract要約: サイバー物理システム(CPS)にデプロイされる最先端AIモデルの多くは、パターンマッチングである。 セキュリティの保証が限られているため、安全クリティカルなドメインと競合するドメインの信頼性が懸念される。 本稿では,データ駆動型知覚モデルにシンボル構造を付与するパラダイムシフトを提案する。
• 参考スコア（独自算出の注目度）: 11.246557832016238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many state-of-the-art AI models deployed in cyber-physical systems (CPS), while highly accurate, are simply pattern-matchers.~With limited security guarantees, there are concerns for their reliability in safety-critical and contested domains. To advance assured AI, we advocate for a paradigm shift that imbues data-driven perception models with symbolic structure, inspired by a human's ability to reason over low-level features and high-level context. We propose a neuro-symbolic paradigm for perception (NeuSPaPer) and illustrate how joint object detection and scene graph generation (SGG) yields deep scene understanding.~Powered by foundation models for offline knowledge extraction and specialized SGG algorithms for real-time deployment, we design a framework leveraging structured relational graphs that ensures the integrity of situational awareness in autonomy. Using physics-based simulators and real-world datasets, we demonstrate how SGG bridges the gap between low-level sensor perception and high-level reasoning, establishing a foundation for resilient, context-aware AI and advancing trusted autonomy in CPS.
• Abstract（参考訳）: サイバー物理システム(CPS)にデプロイされる最先端のAIモデルの多くは、非常に正確ではあるが、単にパターンマッチングである。 ~セキュリティ保証が限られているため、安全クリティカルなドメインと競合するドメインの信頼性が懸念される。 保証されたAIを推し進めるために、我々は、低レベルの特徴や高レベルの文脈を推論する人間の能力に触発されて、データ駆動型知覚モデルに象徴的な構造を付与するパラダイムシフトを提唱する。 本稿では,ニューラルシンボリックな知覚パラダイム(NeuSPaPer)を提案し,共同物体検出とシーングラフ生成(SGG)がシーン理解の深みをもたらすことを示す。 オフライン知識抽出のための基礎モデルと、リアルタイムデプロイメントのための特殊SGGアルゴリズムにより、我々は、自律性における状況認識の完全性を保証する構造付き関係グラフを活用したフレームワークを設計する。 物理ベースのシミュレータと実世界のデータセットを用いて、SGGが低レベルのセンサー認識と高レベルの推論のギャップを埋め、レジリエンスでコンテキスト認識のAIの基礎を確立し、CPSにおける信頼された自律性を向上する方法を実証する。

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)
• Mechanistic understanding and validation of large AI models with SemanticLens [13.712668314238082]
  航空機のような人間工学的なシステムとは異なり、AIモデルの内部動作はほとんど不透明である。 本稿では、コンポーネントによって符号化された隠れた知識をマッピングするニューラルネットワークの普遍的説明法であるSemanticLensを紹介する。
  論文  参考訳（メタデータ） (2025-01-09T17:47:34Z)
• Graph-Based Multi-Modal Sensor Fusion for Autonomous Driving [3.770103075126785]
  本稿では,グラフに基づく状態表現の開発に焦点をあてた,マルチモーダルセンサ融合に対する新しいアプローチを提案する。 本稿では,マルチモーダルグラフを融合する最初のオンライン状態推定手法であるSensor-Agnostic Graph-Aware Kalman Filterを提案する。 提案手法の有効性を,合成および実世界の運転データセットを用いた広範囲な実験により検証した。
  論文  参考訳（メタデータ） (2024-11-06T06:58:17Z)
• QIXAI: A Quantum-Inspired Framework for Enhancing Classical and Quantum Model Transparency and Understanding [0.0]
  ディープラーニングモデルは、解釈可能性の欠如によってしばしば妨げられ、それらを"ブラックボックス"にする。 本稿では、量子インスピレーションによるニューラルネットワークの解釈性向上のための新しいアプローチであるQIXAIフレームワークを紹介する。 このフレームワークは量子システムと古典システムの両方に適用され、様々なモデルにおける解釈可能性と透明性を改善する可能性を示している。
  論文  参考訳（メタデータ） (2024-10-21T21:55:09Z)
• 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)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 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を順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• Explainable Spatio-Temporal Graph Neural Networks [16.313146933922752]
  本稿では,STGNNを本質的に説明可能な形で拡張する,説明可能な時空間グラフニューラルネットワーク(STGNN)フレームワークを提案する。 本フレームワークは,STGエンコーダとデコーダとして位置情報融合層と統合時間グラフアテンションネットワークを統合した。 予測精度と説明可能性の指標から,STExplainerは最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-26T04:47:28Z)

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。