論文の概要: Think before You Simulate: Symbolic Reasoning to Orchestrate Neural Computation for Counterfactual Question Answering

• arxiv url: http://arxiv.org/abs/2506.10753v1
• Date: Thu, 12 Jun 2025 14:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.781936
• Title: Think before You Simulate: Symbolic Reasoning to Orchestrate Neural Computation for Counterfactual Question Answering
• Title（参考訳）: シミュレーションの前に考える:反現実的質問応答のための神経計算をオーケストレーションするシンボリック推論
• Authors: Adam Ishay, Zhun Yang, Joohyung Lee, Ilgu Kang, Dongjae Lim,
• Abstract要約: 本稿では,反現実的推論のためのニューロシンボリックモデルを強化する手法を提案する。 我々は因果関係を表すために因果グラフの概念を定義する。 提案手法の有効性を2つのベンチマークで検証する。
• 参考スコア（独自算出の注目度）: 9.875621856950408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal and temporal reasoning about video dynamics is a challenging problem. While neuro-symbolic models that combine symbolic reasoning with neural-based perception and prediction have shown promise, they exhibit limitations, especially in answering counterfactual questions. This paper introduces a method to enhance a neuro-symbolic model for counterfactual reasoning, leveraging symbolic reasoning about causal relations among events. We define the notion of a causal graph to represent such relations and use Answer Set Programming (ASP), a declarative logic programming method, to find how to coordinate perception and simulation modules. We validate the effectiveness of our approach on two benchmarks, CLEVRER and CRAFT. Our enhancement achieves state-of-the-art performance on the CLEVRER challenge, significantly outperforming existing models. In the case of the CRAFT benchmark, we leverage a large pre-trained language model, such as GPT-3.5 and GPT-4, as a proxy for a dynamics simulator. Our findings show that this method can further improve its performance on counterfactual questions by providing alternative prompts instructed by symbolic causal reasoning.
• Abstract（参考訳）: ビデオダイナミクスに関する因果的・時間的推論は難しい問題である。 シンボリック推論とニューラルベース認識と予測を組み合わせたニューロシンボリックモデルは、将来性を示す一方で、特に反事実的疑問に答える際、制限を示す。 本稿では,事象間の因果関係に関するシンボリック推論を利用して,反ファクト推論のためのニューロシンボリックモデルを強化する手法を提案する。 このような関係を表現するための因果グラフの概念を定義し、宣言型論理プログラミング手法であるAnswer Set Programming (ASP)を用いて、認識とシミュレーションモジュールの協調方法を見つける。 提案手法の有効性をCLEVRERとCRAFTの2つのベンチマークで検証した。 我々の強化は、CLEVRERチャレンジにおける最先端のパフォーマンスを達成し、既存のモデルよりも大幅に優れています。 CRAFTベンチマークの場合、動的シミュレータのプロキシとして、GPT-3.5やGPT-4のような大規模な事前学習言語モデルを利用する。 本手法は,シンボル因果推論によって指示された代替プロンプトを提供することにより,対実的質問に対するパフォーマンスをさらに向上できることを示す。

関連論文リスト

• Neuro Symbolic Knowledge Reasoning for Procedural Video Question Answering [26.013577822475856]
  本稿では、複雑な推論に手続き的知識を活用するためのモデルに挑戦する、新しいビデオ質問応答データセットを提案する。 視覚的実体を認識し、仮説を生成し、文脈的、因果的、反事実的推論を実行する必要がある。
  論文  参考訳（メタデータ） (2025-03-19T07:49:14Z)
• Enhancing Logical Reasoning in Large Language Models through Graph-based Synthetic Data [53.433309883370974]
  本研究では,大規模言語モデルの推論能力を高めるための学習信号としてグラフベースの合成推論データを使用することの可能性と限界について検討する。 2つの確立された自然言語推論タスクにおいて,合成グラフに基づく推論データによる教師付き微調整が,他の標準評価ベンチマークでの有効性を損なうことなく,LLMの推論性能を効果的に向上することを示した。
  論文  参考訳（メタデータ） (2024-09-19T03:39:09Z)
• Emulating the Human Mind: A Neural-symbolic Link Prediction Model with Fast and Slow Reasoning and Filtered Rules [4.979279893937017]
  本稿では,FaSt-FLiPというニューラル・シンボリックモデルを提案する。 我々の目標は、リンク予測の強化のための論理モデルとニューラルモデルを組み合わせることである。
  論文  参考訳（メタデータ） (2023-10-21T12:45:11Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
  本稿では,ニューラルモデルによる反事実文の評価について検討する。 まず、神経因果モデル(NCM)が十分に表現可能であることを示す。 第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-09-30T18:29:09Z)
• Contrastive Reasoning in Neural Networks [26.65337569468343]
  因果クラス依存性を識別する機能に基づいて構築された推論は、フィードフォワード推論と呼ばれる。 本稿では,コントラスト推論の構造を形式化し,ニューラルネットワークのコントラスト概念を抽出する手法を提案する。 平均精度の3.47%、2.56%、5.48%の改善を報告することにより、歪み下での対比認識の価値を実証する。
  論文  参考訳（メタデータ） (2021-03-23T05:54:36Z)
• Neural Logic Reasoning [47.622957656745356]
  本稿では,ディープラーニングと論理推論の能力を統合するために,論理統合ニューラルネットワーク(LINN)を提案する。 LINNは、神経モジュールとしてAND、OR、NOTなどの基本的な論理操作を学び、推論のためにネットワークを通して命題論理推論を行う。 実験の結果、LINNはTop-Kレコメンデーションにおいて最先端のレコメンデーションモデルを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-20T14:53:23Z)

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。