論文の概要: The Road to Generalizable Neuro-Symbolic Learning Should be Paved with Foundation Models

• arxiv url: http://arxiv.org/abs/2505.24874v1
• Date: Fri, 30 May 2025 17:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:53.133003
• Title: The Road to Generalizable Neuro-Symbolic Learning Should be Paved with Foundation Models
• Title（参考訳）: 基礎モデルによる一般化可能なニューロシンボリック学習への道
• Authors: Adam Stein, Aaditya Naik, Neelay Velingker, Mayur Naik, Eric Wong,
• Abstract要約: 複雑な推論タスクのためにニューラルネットワークを訓練する際の課題に対処するために、ニューロシンボリックラーニングが提案された。 一般化問題につながる計算,データ,プログラムに関して,従来のニューロシンボリック学習の落とし穴を3つ挙げる。
• 参考スコア（独自算出の注目度）: 18.699014321422023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuro-symbolic learning was proposed to address challenges with training neural networks for complex reasoning tasks with the added benefits of interpretability, reliability, and efficiency. Neuro-symbolic learning methods traditionally train neural models in conjunction with symbolic programs, but they face significant challenges that limit them to simplistic problems. On the other hand, purely-neural foundation models now reach state-of-the-art performance through prompting rather than training, but they are often unreliable and lack interpretability. Supplementing foundation models with symbolic programs, which we call neuro-symbolic prompting, provides a way to use these models for complex reasoning tasks. Doing so raises the question: What role does specialized model training as part of neuro-symbolic learning have in the age of foundation models? To explore this question, we highlight three pitfalls of traditional neuro-symbolic learning with respect to the compute, data, and programs leading to generalization problems. This position paper argues that foundation models enable generalizable neuro-symbolic solutions, offering a path towards achieving the original goals of neuro-symbolic learning without the downsides of training from scratch.
• Abstract（参考訳）: 解釈可能性、信頼性、効率性の利点を追加して、複雑な推論タスクのためのニューラルネットワークをトレーニングする際の課題に対処するために、ニューロシンボリックラーニングが提案された。 ニューロシンボリック学習法は伝統的にシンボリックプログラムとともにニューラルモデルを訓練するが、それらは単純な問題に制限される重大な課題に直面している。 一方、純粋に神経質な基礎モデルでは、トレーニングよりもむしろプロンプトによって最先端のパフォーマンスに到達しているが、信頼できないことが多く、解釈不可能であることが多い。 ニューロシンボリック・プロンプト(Neuro-symbolic prompting)と呼ばれるシンボリック・プログラムによる基礎モデルの補足は、複雑な推論タスクにこれらのモデルを使用する方法を提供する。 基礎モデルの時代において、ニューロシンボリックラーニングの一部として専門的なモデルトレーニングはどのような役割を担っているのか? この問題を探求するために、計算、データ、および一般化問題につながるプログラムに関して、従来のニューロシンボリック学習の落とし穴を3つ挙げる。 このポジションペーパーは、基礎モデルが一般化可能なニューロシンボリック・ソリューションを可能にし、スクラッチからのトレーニングの欠点を伴わずに、ニューロシンボリック・ラーニングの本来の目標を達成するための道筋を提供すると主張している。

関連論文リスト

• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• 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)
• 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)

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。