論文の概要: Industrial brain: a human-like autonomous neuro-symbolic cognitive decision-making system

• arxiv url: http://arxiv.org/abs/2506.23926v1
• Date: Mon, 30 Jun 2025 14:54:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:54.112312
• Title: Industrial brain: a human-like autonomous neuro-symbolic cognitive decision-making system
• Title（参考訳）: 産業脳:人間のような自律神経象徴的認知決定システム
• Authors: Junping Wang, Bicheng Wang, Yibo Xuea, Yuan Xie,
• Abstract要約: 産業脳は人間のような自律的な認知的意思決定と計画の枠組みである。 高次のアクティビティ駆動ネットワークとCT-OODAシンボリック推論を、自律的なプランレジリエンスに統合する。
• 参考スコア（独自算出の注目度）: 8.351047624197255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Resilience non-equilibrium measurement, the ability to maintain fundamental functionality amidst failures and errors, is crucial for scientific management and engineering applications of industrial chain. The problem is particularly challenging when the number or types of multiple co-evolution of resilience (for example, randomly placed) are extremely chaos. Existing end-to-end deep learning ordinarily do not generalize well to unseen full-feld reconstruction of spatiotemporal co-evolution structure, and predict resilience of network topology, especially in multiple chaos data regimes typically seen in real-world applications. To address this challenge, here we propose industrial brain, a human-like autonomous cognitive decision-making and planning framework integrating higher-order activity-driven neuro network and CT-OODA symbolic reasoning to autonomous plan resilience directly from observational data of global variable. The industrial brain not only understands and model structure of node activity dynamics and network co-evolution topology without simplifying assumptions, and reveal the underlying laws hidden behind complex networks, but also enabling accurate resilience prediction, inference, and planning. Experimental results show that industrial brain significantly outperforms resilience prediction and planning methods, with an accurate improvement of up to 10.8\% over GoT and OlaGPT framework and 11.03\% over spectral dimension reduction. It also generalizes to unseen topologies and dynamics and maintains robust performance despite observational disturbances. Our findings suggest that industrial brain addresses an important gap in resilience prediction and planning for industrial chain.
• Abstract（参考訳）: 産業チェーンの科学的管理と工学的応用には, 耐震性非平衡測定, 基本的な機能を維持する能力が不可欠である。 この問題は、レジリエンスの複数の共進化(例えばランダムに配置)の数や種類が極めてカオスである場合、特に困難である。 既存のエンドツーエンドのディープラーニングは通常、時空間的共進化構造の完全な再構築や、ネットワークトポロジのレジリエンスの予測、特に現実世界のアプリケーションで一般的に見られる複数のカオスデータ構造において、うまく一般化しない。 そこで本研究では,産業脳と,高次活動駆動型神経ネットワークとCT-OODAシンボリック推論を統合した,グローバル変数の観測データから直接自律計画レジリエンスを実現する,人間のような自律的認知意思決定・計画フレームワークを提案する。 産業的脳は、仮定を単純化することなくノードのアクティビティダイナミクスとネットワーク共進化トポロジーの構造を理解し、モデル化し、複雑なネットワークの背後に隠された基礎となる法則を明らかにし、正確なレジリエンス予測、推論、計画を可能にする。 実験の結果、産業用脳は、GoTおよびOlaGPTフレームワークよりも10.8\%、スペクトル次元の減少より11.03\%の精度で、レジリエンス予測と計画法を著しく上回っていることがわかった。 また、目に見えないトポロジやダイナミクスに一般化し、観測障害にもかかわらず堅牢なパフォーマンスを維持している。 以上の結果から,産業用脳は産業用チェーンのレジリエンス予測と計画において重要なギャップを埋めることが示唆された。

関連論文リスト

• Self-orthogonalizing attractor neural networks emerging from the free energy principle [0.0]
  我々は、ランダムな力学系の普遍的なパーティショニングに適用される自由エネルギー原理から、アトラクターネットワークがどのように出現するかを定式化する。 私たちのアプローチでは、明示的に学習と推論の規則を課す必要がなくなる。 我々の発見は、自己組織化されたアトラクタネットワークの統一理論を提供し、AIと神経科学の新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-28T18:10:03Z)
• Learning Interpretable Network Dynamics via Universal Neural Symbolic Regression [5.813728143193046]
  複雑なシステム状態のシンボリックな変化パターンを, 自動的に, 効率的に, 正確に学習できる普遍的な計算ツールを開発した。 その結果,ネットワーク力学における最先端のシンボルレグレッション手法と比較し,ツールの有効性と効率性を実証した。 地球規模の伝染病や歩行者運動を含む現実世界のシステムへの適用は、その実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-11T09:51:22Z)
• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  神経科学とAIの両方では、ニューロン間の'バインディング'が、ネットワークの深い層においてより抽象的な概念を表現するために表現を圧縮する、競争的な学習の形式につながることが知られている。 完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。 このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、定量化、推論など、幅広いタスクにわたるパフォーマンス改善を提供する。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
  可塑性の喪失は複数の独立したメカニズムに分解できることを示す。 種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T00:02:33Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Stretched and measured neural predictions of complex network dynamics [2.1024950052120417]
  微分方程式のデータ駆動近似は、力学系のモデルを明らかにする従来の方法に代わる有望な方法である。 最近、ダイナミックスを研究する機械学習ツールとしてニューラルネットワークが採用されている。これは、データ駆動型ソリューションの検出や微分方程式の発見に使用できる。 従来の統計学習理論の限界を超えてモデルの一般化可能性を拡張することは可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-12T09:44:59Z)
• Formalizing Generalization and Robustness of Neural Networks to Weight Perturbations [58.731070632586594]
  非負のモノトーンアクティベーション機能を備えたフィードフォワードニューラルネットワークの重量変動に対する最初の形式解析を提供します。 また,重みの摂動に対して一般化し頑健なニューラルネットワークを訓練するための新しい理論駆動損失関数を設計した。
  論文  参考訳（メタデータ） (2021-03-03T06:17:03Z)
• Object-based attention for spatio-temporal reasoning: Outperforming neuro-symbolic models with flexible distributed architectures [15.946511512356878]
  適切な帰納的バイアスを持つ完全学習型ニューラルネットワークは,従来のニューラルシンボリックモデルよりもかなり優れた性能を示す。 我々のモデルは、自己意識と学習された「ソフト」オブジェクト中心表現の両方を批判的に利用します。
  論文  参考訳（メタデータ） (2020-12-15T18:57:40Z)

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。