論文の概要: A Multi-Resolution Benchmark Framework for Spatial Reasoning Assessment in Neural Networks

• arxiv url: http://arxiv.org/abs/2508.12741v1
• Date: Mon, 18 Aug 2025 09:04:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.141636
• Title: A Multi-Resolution Benchmark Framework for Spatial Reasoning Assessment in Neural Networks
• Title（参考訳）: ニューラルネットワークにおける空間推論評価のための多解ベンチマークフレームワーク
• Authors: Manuela Imbriani, Gina Belmonte, Mieke Massink, Alessandro Tofani, Vincenzo Ciancia,
• Abstract要約: 本稿では,ニューラルネットワークにおける空間推論能力の評価を目的とした,包括的なベンチマークフレームワークの定義に関する予備的な結果を示す。 このフレームワークは現在、nnU-Netの能力の研究に使われている。
• 参考スコア（独自算出の注目度）: 40.69150418258213
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents preliminary results in the definition of a comprehensive benchmark framework designed to systematically evaluate spatial reasoning capabilities in neural networks, with a particular focus on morphological properties such as connectivity and distance relationships. The framework is currently being used to study the capabilities of nnU-Net, exploiting the spatial model checker VoxLogicA to generate two distinct categories of synthetic datasets: maze connectivity problems for topological analysis and spatial distance computation tasks for geometric understanding. Each category is evaluated across multiple resolutions to assess scalability and generalization properties. The automated pipeline encompasses a complete machine learning workflow including: synthetic dataset generation, standardized training with cross-validation, inference execution, and comprehensive evaluation using Dice coefficient and IoU (Intersection over Union) metrics. Preliminary experimental results demonstrate significant challenges in neural network spatial reasoning capabilities, revealing systematic failures in basic geometric and topological understanding tasks. The framework provides a reproducible experimental protocol, enabling researchers to identify specific limitations. Such limitations could be addressed through hybrid approaches combining neural networks with symbolic reasoning methods for improved spatial understanding in clinical applications, establishing a foundation for ongoing research into neural network spatial reasoning limitations and potential solutions.
• Abstract（参考訳）: 本稿では,ニューラルネットワークにおける空間推論能力の体系的評価を目的とした包括的ベンチマークフレームワークの定義において,接続性や距離関係などの形態的特性に着目した予備的な結果を示す。 このフレームワークは現在、空間モデルチェッカーのVoxLogicAを利用して、トポロジカル解析のための迷路接続問題と幾何学的理解のための空間距離計算タスクの2つの異なるカテゴリの合成データセットを生成するため、nnU-Netの能力の研究に使われている。 各カテゴリは、スケーラビリティと一般化特性を評価するために、複数の解像度で評価される。 自動パイプラインは、合成データセット生成、クロスバリデーションによる標準化されたトレーニング、推論の実行、Dice係数とIoUメトリクスを使用した包括的な評価を含む、完全な機械学習ワークフローを含んでいる。 予備実験の結果は、ニューラルネットワークの空間的推論能力において重要な課題を示し、基本的な幾何学的および位相的理解タスクにおける体系的な障害を明らかにした。 このフレームワークは再現可能な実験的プロトコルを提供し、研究者は特定の制限を特定できる。 このような制限は、ニューラルネットワークと、臨床応用における空間的理解を改善するためのシンボリック推論手法を組み合わせたハイブリッドアプローチによって解決され、ニューラルネットワーク空間的推論の限界と潜在的な解に関する継続的な研究の基礎が確立される。

関連論文リスト

• Statistical tuning of artificial neural network [0.0]
  本研究では、ニューラルネットワークの理解を強化する方法を紹介し、特に1つの隠蔽層を持つモデルに焦点を当てる。 本稿では,入力ニューロンの意義を統計的に評価し,次元減少のためのアルゴリズムを提案する。 この研究は、ニューラルネットワークを解釈するための堅牢な統計フレームワークを提示することにより、説明可能な人工知能の分野を前進させる。
  論文  参考訳（メタデータ） (2024-09-24T19:47:03Z)
• Steinmetz Neural Networks for Complex-Valued Data [23.80312814400945]
  本稿では,並列実数値処理と結合出力を組み合わせたDNNを用いた複素数値データ処理手法を提案する。 提案するアーキテクチャのクラスは、Steinmetz Neural Networksと呼ばれ、多視点学習を取り入れて、潜在空間におけるより解釈可能な表現を構築する。 この数値実験では,提案するネットワークがベンチマークデータセットと合成例を用いて提案する付加雑音に対する性能改善と頑健性について述べる。
  論文  参考訳（メタデータ） (2024-09-16T08:26:06Z)
• Nonlinear classification of neural manifolds with contextual information [6.292933471495322]
  本稿では,入力空間における遅延方向を文脈情報に関連付ける理論フレームワークを提案する。 我々は、多様体幾何学と文脈相関に依存する文脈依存多様体容量の正確な公式を導出する。 我々のフレームワークの表現性の向上は、階層階層の初期段階のディープネットワークにおける表現再構成を捉えるが、以前は分析にはアクセスできない。
  論文  参考訳（メタデータ） (2024-05-10T23:37:31Z)
• Persistence-based operators in machine learning [62.997667081978825]
  永続性に基づくニューラルネットワークレイヤのクラスを導入します。 永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
  論文  参考訳（メタデータ） (2022-12-28T18:03:41Z)
• Quasi-orthogonality and intrinsic dimensions as measures of learning and generalisation [55.80128181112308]
  ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。 本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
  論文  参考訳（メタデータ） (2022-03-30T21:47:32Z)
• Generalized Shape Metrics on Neural Representations [26.78835065137714]
  表現上の相似性を定量化する計量空間の族を提供する。 我々は、正準相関解析に基づいて既存の表現類似度尺度を修正し、三角形の不等式を満たす。 解剖学的特徴とモデル性能の観点から解釈可能な神経表現の関係を同定する。
  論文  参考訳（メタデータ） (2021-10-27T19:48:55Z)
• Inter-layer Information Similarity Assessment of Deep Neural Networks Via Topological Similarity and Persistence Analysis of Data Neighbour Dynamics [93.4221402881609]
  ディープニューラルネットワーク(DNN)による情報構造の定量的解析により、DNNアーキテクチャの理論的性能に関する新たな知見が明らかにされる。 量的情報構造解析のためのLSとIDの戦略に着想を得て, 層間情報類似度評価のための2つの新しい補完手法を提案する。 本研究では,画像データを用いた深層畳み込みニューラルネットワークのアーキテクチャ解析を行い,その効果を実証する。
  論文  参考訳（メタデータ） (2020-12-07T15:34:58Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)

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。