論文の概要: Neurosymbolic Reasoning Shortcuts under the Independence Assumption

• arxiv url: http://arxiv.org/abs/2507.11357v1
• Date: Tue, 15 Jul 2025 14:27:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:03.152987
• Title: Neurosymbolic Reasoning Shortcuts under the Independence Assumption
• Title（参考訳）: 独立を前提としたニューロシンボリック推論ショートカット
• Authors: Emile van Krieken, Pasquale Minervini, Edoardo Ponti, Antonio Vergari,
• Abstract要約: ニューロシンボリック(NeSy)予測器における象徴的概念間のユビキタスな独立性の仮定は、便利な単純化である。 独立性を仮定すると、モデルが特定の概念の組み合わせに対して不確実性を表すことは決してできないことが示される。
• 参考スコア（独自算出の注目度）: 14.424743331071241
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ubiquitous independence assumption among symbolic concepts in neurosymbolic (NeSy) predictors is a convenient simplification: NeSy predictors use it to speed up probabilistic reasoning. Recent works like van Krieken et al. (2024) and Marconato et al. (2024) argued that the independence assumption can hinder learning of NeSy predictors and, more crucially, prevent them from correctly modelling uncertainty. There is, however, scepticism in the NeSy community around the scenarios in which the independence assumption actually limits NeSy systems (Faronius and Dos Martires, 2025). In this work, we settle this question by formally showing that assuming independence among symbolic concepts entails that a model can never represent uncertainty over certain concept combinations. Thus, the model fails to be aware of reasoning shortcuts, i.e., the pathological behaviour of NeSy predictors that predict correct downstream tasks but for the wrong reasons.
• Abstract（参考訳）: ニューロシンボリック(NeSy)予測器の象徴的概念の中で、ユビキタスな独立性の仮定は、便利な単純化である:NeSy予測器はそれを確率論的推論のスピードアップに使っている。 van Krieken et al (2024) や Marconato et al (2024) のような最近の研究は、独立性の仮定はNeSy予測子の学習を妨げ、さらに重要なことに、それらが不確実性を正しくモデル化することを防ぐことができると主張している。 しかし、NeSyコミュニティには、独立の前提が実際にNeSyシステムを制限するシナリオに懐疑論がある(Faronius and Dos Martires, 2025)。 本研究では,記号的概念間の独立性を仮定すると,ある概念の組み合わせに対してモデルが不確実性を表すことは決して不可能であることを示す。 したがって、モデルはショートカットの推論、すなわち、下流のタスクを正確に予測するNeSy予測器の病理的振る舞いに気付かない。

関連論文リスト

• Neurosymbolic Diffusion Models [14.424743331071241]
  ニューロシンボリック(NeSy)予測器は、視覚的推論のようなタスクを解決するために、神経知覚と象徴的推論を組み合わせる。 標準的なNeSy予測器は、抽出したシンボル間の条件付き独立性を仮定し、相互作用と不確実性をモデル化する能力を制限する。 我々はニューロシンボリック拡散モデル(NeSyDMs)を導入する。NeSy予測器はシンボル間の依存をモデル化するために離散拡散を利用する。
  論文  参考訳（メタデータ） (2025-05-19T14:07:47Z)
• On the Independence Assumption in Neurosymbolic Learning [14.447011414006719]
  最先端のニューロシンボリック学習システムは確率論的推論を用いて、ニューラルネットワークを記号に対する論理的制約に従う予測へと導く。 このようなシステムの多くは、学習と推論を簡略化するために入力が与えられた場合、考慮されたシンボルの確率は条件的に独立であると仮定している。
  論文  参考訳（メタデータ） (2024-04-12T13:09:48Z)
• BEARS Make Neuro-Symbolic Models Aware of their Reasoning Shortcuts [21.743306538494043]
  Reasoning ShortcutsはNeuro-Symbolic(NeSy)予測に影響を及ぼす可能性がある。 彼らは意図しない意味論を活用することによって、象徴的な知識と整合した概念を学ぶ。 我々はNeSyモデルが学習した概念の意味的あいまいさを確実に認識することを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:54:36Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• Probabilistic Concept Bottleneck Models [26.789507935869107]
  解釈可能なモデルは、人間の解釈可能な方法で決定を下すように設計されている。 本研究では,信頼性を損なうようなあいまいさの問題に対処する。 確率論的概念ボトルネックモデル(ProbCBM)を提案する。
  論文  参考訳（メタデータ） (2023-06-02T14:38:58Z)
• Not All Neuro-Symbolic Concepts Are Created Equal: Analysis and Mitigation of Reasoning Shortcuts [24.390922632057627]
  Neuro-Symbolic(NeSy)予測モデルは、与えられた制約に対するコンプライアンスの改善を約束する。 サブシンボリック入力から抽出された高レベルな概念を推論することで、いくつかの先行知識と整合したラベルを推論することができる。 精度は高いが、意図しないセマンティクスで概念を活用すれば、約束された利点を欠くことになる。
  論文  参考訳（メタデータ） (2023-05-31T15:35:48Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Logical Neural Networks [51.46602187496816]
  ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。 すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。 推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
  論文  参考訳（メタデータ） (2020-06-23T16:55:45Z)

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。