論文の概要: LTLZinc: a Benchmarking Framework for Continual Learning and Neuro-Symbolic Temporal Reasoning
- arxiv url: http://arxiv.org/abs/2507.17482v1
- Date: Wed, 23 Jul 2025 13:04:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-24 22:33:15.003188
- Title: LTLZinc: a Benchmarking Framework for Continual Learning and Neuro-Symbolic Temporal Reasoning
- Title（参考訳）: LTLZinc: 連続学習とニューロシンボリック時間推論のためのベンチマークフレームワーク
- Authors: Luca Salvatore Lorello, Nikolaos Manginas, Marco Lippi, Stefano Melacci,
- Abstract要約: 継続的な学習は、時間とともに知識を広げ、以前学んだ概念を忘れることを避けながらスキルを向上させるエージェントに関係する。
ニューロシンボリック人工知能の既存のアプローチのほとんどは、静的シナリオのみに適用されている。
私たちは、さまざまな問題をカバーするデータセットを生成するために使用できるベンチマークフレームワークであるZincを紹介します。
- 参考スコア（独自算出の注目度）: 12.599235808369112
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neuro-symbolic artificial intelligence aims to combine neural architectures with symbolic approaches that can represent knowledge in a human-interpretable formalism. Continual learning concerns with agents that expand their knowledge over time, improving their skills while avoiding to forget previously learned concepts. Most of the existing approaches for neuro-symbolic artificial intelligence are applied to static scenarios only, and the challenging setting where reasoning along the temporal dimension is necessary has been seldom explored. In this work we introduce LTLZinc, a benchmarking framework that can be used to generate datasets covering a variety of different problems, against which neuro-symbolic and continual learning methods can be evaluated along the temporal and constraint-driven dimensions. Our framework generates expressive temporal reasoning and continual learning tasks from a linear temporal logic specification over MiniZinc constraints, and arbitrary image classification datasets. Fine-grained annotations allow multiple neural and neuro-symbolic training settings on the same generated datasets. Experiments on six neuro-symbolic sequence classification and four class-continual learning tasks generated by LTLZinc, demonstrate the challenging nature of temporal learning and reasoning, and highlight limitations of current state-of-the-art methods. We release the LTLZinc generator and ten ready-to-use tasks to the neuro-symbolic and continual learning communities, in the hope of fostering research towards unified temporal learning and reasoning frameworks.
- Abstract（参考訳）: ニューロシンボリック人工知能は、人間の解釈可能な形式主義における知識を表現できるシンボリックアプローチとニューラルアーキテクチャを組み合わせることを目的としている。
時間の経過とともに知識を拡大し、以前学んだ概念を忘れずにスキルを向上させるエージェントとの継続的な学習に関する懸念。
ニューロシンボリック人工知能の既存のアプローチのほとんどは静的シナリオにのみ適用されており、時間次元に沿った推論が必要とされる困難な設定はめったに研究されていない。
LTLZincは、様々な問題をカバーするデータセットを生成するのに使用できるベンチマークフレームワークで、時間的および制約的次元に沿って、ニューロシンボリックおよび連続的な学習手法を評価できる。
本フレームワークは,MiniZinc制約上の線形時間論理仕様と任意の画像分類データセットから,表現的時間的推論と連続的学習タスクを生成する。
細かいアノテーションは、同じ生成されたデータセット上で複数のニューラルおよびニューラルシンボリックなトレーニング設定を可能にする。
LTLZincが生成した6つのニューロシンボリックシークエンス分類と4つのクラス・コンチネンタルラーニングタスクの実験は、時間的学習と推論の難しさを示し、現在の最先端手法の限界を強調している。
LTLZincジェネレータと10のタスクを,時間的学習と推論の統一化に向けた研究を促進するために,ニューロシンボリックおよび継続学習コミュニティにリリースする。
関連論文リスト
- Temporal Chunking Enhances Recognition of Implicit Sequential Patterns [11.298233331771975]
本稿では、時間的シーケンスを文脈タグ付きチャンクに圧縮する神経インスパイアされたアプローチを提案する。
これらのタグはオフラインのスリープフェーズで生成され、過去の経験のコンパクトな参照として機能する。
我々は、従来のニューラルネットワークに基づくシーケンス学習者の限界を明らかにするために、制御された合成環境において、このアイデアを評価する。
論文 参考訳（メタデータ） (2025-05-31T14:51:08Z) - The Road to Generalizable Neuro-Symbolic Learning Should be Paved with Foundation Models [18.699014321422023]
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。
論文 参考訳（メタデータ） (2025-05-30T17:59:46Z) - A Neuro-Symbolic Framework for Sequence Classification with Relational and Temporal Knowledge [13.698216735270767]
ニューロシンボリック人工知能のゴールの1つは、学習タスクのパフォーマンスを改善するために背景知識を活用することである。
この研究では、異なるタイミングで異なる知識を使わなければならない知識駆動シーケンスのより難しい問題について検討する。
結果は、この新しい設定の挑戦的な性質を示し、また、ニューロシンボリックな方法の未発見の欠点を強調している。
論文 参考訳（メタデータ） (2025-05-08T10:10:00Z) - IID Relaxation by Logical Expressivity: A Research Agenda for Fitting Logics to Neurosymbolic Requirements [50.57072342894621]
本稿では、ニューロシンボリック・ユースケースにおける既知のデータ依存と分布制約を利用する利点について論じる。
これは、ニューロシンボリックな背景知識と、その論理に必要とされる表現性に関する一般的な疑問を伴う新しい研究課題を開く。
論文 参考訳（メタデータ） (2024-04-30T12:09:53Z) - Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。
実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。
したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
論文 参考訳（メタデータ） (2023-07-14T08:51:03Z) - Neuro-Symbolic Continual Learning: Knowledge, Reasoning Shortcuts and
Concept Rehearsal [26.999987105646966]
本稿では,ニューロシンボリック連続学習(Neuro-Symbolic Continual Learning)を紹介する。
私たちのキーとなる観察は、ニューロシンボリックなタスクは異なるものの、意味論が時間とともに安定している概念を共有していることです。
ニューロシンボリックアーキテクチャと継続的な戦略を組み合わせることで、先行知識を活用することで、破滅的な忘れを回避できることが示される。
論文 参考訳（メタデータ） (2023-02-02T17:24:43Z) - 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) - CogNGen: Constructing the Kernel of a Hyperdimensional Predictive
Processing Cognitive Architecture [79.07468367923619]
神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。
我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
論文 参考訳（メタデータ） (2022-03-31T04:44:28Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Spiking Associative Memory for Spatio-Temporal Patterns [0.21094707683348418]
スパイクタイミング依存塑性(Spike Timing Dependent Plasticity)は、実際の皮質組織で実証された学習形式である。
我々はサイクリックSTDPと呼ばれる単純な学習規則を開発し、ニューロンの正確なスパイク時間におけるパターンを抽出する。
この学習規則によって与えられるニューロンの集団は、短期記憶として有効であることを示す。
論文 参考訳（メタデータ） (2020-06-30T11:08:31Z) - Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。
具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
論文 参考訳（メタデータ） (2020-03-09T15:04:07Z)
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。