論文の概要: LOOP: A Plug-and-Play Neuro-Symbolic Framework for Enhancing Planning in Autonomous Systems

• arxiv url: http://arxiv.org/abs/2508.13371v1
• Date: Mon, 18 Aug 2025 21:21:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.728401
• Title: LOOP: A Plug-and-Play Neuro-Symbolic Framework for Enhancing Planning in Autonomous Systems
• Title（参考訳）: LOOP: 自律システムにおける計画強化のためのプラグアンドプレイ型ニューロシンボリックフレームワーク
• Authors: Ronit Virwani, Ruchika Suryawanshi,
• Abstract要約: 計画は自律システムにおいて最も重要なタスクの1つであり、小さなエラーでも大きな失敗や100万ドルの損失につながる可能性がある。 現在の最先端のニューラルプランニングアプローチは、複雑なドメインと競合する。 LOOPは、神経と象徴的なコンポーネント間の反復的な会話として計画を扱う、新しいニューロシンボリックな計画フレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Planning is one of the most critical tasks in autonomous systems, where even a small error can lead to major failures or million-dollar losses. Current state-of-the-art neural planning approaches struggle with complex domains, producing plans with missing preconditions, inconsistent goals, and hallucinations. While classical planners provide logical guarantees, they lack the flexibility and natural language understanding capabilities needed for modern autonomous systems. Existing neuro-symbolic approaches use one-shot translation from natural language to formal plans, missing the opportunity for neural and symbolic components to work and refine solutions together. To address this gap, we develop LOOP -- a novel neuro-symbolic planning framework that treats planning as an iterative conversation between neural and symbolic components rather than simple translation. LOOP integrates 13 coordinated neural features including graph neural networks for spatial relationships, multi-agent validation for consensus-based correctness, hierarchical decomposition for complex task management, and causal memory that learns from both successes and failures. Unlike existing approaches, LOOP generates PDDL specifications, refines them iteratively based on symbolic feedback, and builds a causal knowledge base from execution traces. LOOP was evaluated on six standard IPC benchmark domains, where it achieved 85.8% success rate compared to LLM+P (55.0%), LLM-as-Planner (19.2%), and Tree-of-Thoughts (3.3%). This work shows that the key to reliable planning is not in choosing between neural networks or symbolic reasoners but it lies in making them actually ``talk'' to each other during the entire process. LOOP provides a thorough blueprint for building autonomous systems that can finally be trusted with critical real-world applications.
• Abstract（参考訳）: 計画は自律システムにおいて最も重要なタスクの1つであり、小さなエラーでも大きな失敗や100万ドルの損失につながる可能性がある。 現在の最先端のニューラルプランニングアプローチは、複雑なドメインと競合し、事前条件の欠如、一貫性のない目標、幻覚を持ったプランを生成する。 古典的なプランナーは論理的な保証を提供するが、現代の自律システムに必要な柔軟性と自然言語理解能力は欠如している。 既存のニューロシンボリックなアプローチでは、自然言語から正式な計画へのワンショット翻訳を使用しており、ニューラルおよびシンボリックなコンポーネントが一緒に働き、ソリューションを洗練する機会を欠いている。 このギャップに対処するため、簡単な翻訳ではなく、ニューラルネットワークとシンボルコンポーネントの反復的な会話として計画を扱う、新しいニューロシンボリック計画フレームワークであるLOOPを開発した。 LOOPは、空間的関係のためのグラフニューラルネットワーク、コンセンサスベースの正確性のためのマルチエージェント検証、複雑なタスク管理のための階層的分解、成功と失敗の両方から学ぶ因果記憶を含む13のコーディネートされたニューラルネットワーク機能を統合する。 既存のアプローチとは異なり、LOOPはPDDL仕様を生成し、シンボリックフィードバックに基づいて反復的に洗練し、実行トレースから因果的知識ベースを構築する。 LOOPは6つの標準IPCベンチマークドメインで評価され、LLM+P(55.0%)、LLM-as-Planner(19.2%)、Tree-of-Thoughts(3.3%)と比較すると85.8%の成功率を記録した。 この研究は、信頼できる計画の鍵は、ニューラルネットワークまたはシンボリック推論を選択することではなく、プロセス全体を通して実際に'talk'を相互に選択することにあることを示している。 LOOPは、最終的に重要な現実世界のアプリケーションに信頼できる自律システムを構築するための、徹底的な青写真を提供する。

関連論文リスト

• Exploiting Symbolic Heuristics for the Synthesis of Domain-Specific Temporal Planning Guidance using Reinforcement Learning [51.54559117314768]
  最近の研究は、時間プランナーの性能向上のためのガイダンスの合成に強化学習(Reinforcement Learning, RL)を用いることを検討した。 本稿では,RLと計画段階の両方において,シンボリックスが提供した情報を活用することに焦点を当てた学習計画フレームワークの進化を提案する。
  論文  参考訳（メタデータ） (2025-05-19T17:19:13Z)
• On the Promise for Assurance of Differentiable Neurosymbolic Reasoning Paradigms [9.071347361654931]
  我々は、データ効率のモデルを作成する新しい手法である、エンド・ツー・エンドの完全微分可能なニューロシンボリックシステムの保証を評価する。 エンド・ツー・エンドのニューロシンボリックな手法は、データ効率を超える保証のユニークな機会を提示する。
  論文  参考訳（メタデータ） (2025-02-13T03:29:42Z)
• Compositional Generalization Across Distributional Shifts with Sparse Tree Operations [77.5742801509364]
  我々は、微分可能木機械と呼ばれる統合されたニューロシンボリックアーキテクチャを導入する。 シンボル構造の疎ベクトル表現を用いることで,モデルの効率を大幅に向上する。 より一般的なseq2seq問題に制限されたtree2tree問題以外の適用を可能にする。
  論文  参考訳（メタデータ） (2024-12-18T17:20:19Z)
• NSP: A Neuro-Symbolic Natural Language Navigational Planner [6.841829967944275]
  NSPと呼ばれる自然言語入力からの経路計画のためのニューロシンボリックな枠組みを提案する。 1500のパスプランニング問題のあるベンチマークスイートを用いて, ニューロシンボリックアプローチの評価を行った。
  論文  参考訳（メタデータ） (2024-09-10T20:49:05Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• A Framework for Neurosymbolic Robot Action Planning using Large Language Models [3.0501524254444767]
  本稿では,象徴的タスク計画と機械学習アプローチのギャップを埋めることを目的としたフレームワークを提案する。 大規模言語モデル(LLM)を計画ドメイン定義言語(PDDL)と互換性のあるニューロシンボリックタスクプランナーに訓練する根拠 選択されたドメインにおける予備的な結果から, (i) テストデータセットの95.5%の問題を1,000個のサンプルで解決し, (ii) 従来のシンボルプランナーよりも最大13.5%短いプランを作成し, (iii) 計画の可利用性の平均待ち時間を61.4%まで削減する。
  論文  参考訳（メタデータ） (2023-03-01T11:54:22Z)
• Neuro-Symbolic Causal Language Planning with Commonsense Prompting [67.06667162430118]
  言語プランニングは、より単純な低レベルステップに分解することで、複雑な高レベルな目標を実装することを目的としている。 以前の手法では、大規模な言語モデルからそのような能力を得るために、手動の例えか注釈付きプログラムが必要である。 本稿では,LLMからの手続き的知識をコモンセンス・インフュージョン・プロンプトにより引き起こすニューロシンボリック因果言語プランナー(CLAP)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T22:09:52Z)
• Semantic Probabilistic Layers for Neuro-Symbolic Learning [83.25785999205932]
  我々は構造化出力予測(SOP)のための予測層を設計する。 予測が事前に定義されたシンボリック制約のセットと一致していることを保証するため、任意のニューラルネットワークにプラグインすることができる。 我々のセマンティック確率層(SPL)は、構造化された出力空間上で複雑な相関や制約をモデル化することができる。
  論文  参考訳（メタデータ） (2022-06-01T12:02:38Z)
• SLASH: Embracing Probabilistic Circuits into Neural Answer Set Programming [15.814914345000574]
  SLASH(Deep Probabilistic Language:DPPL)を紹介します。 SLASHのコアとなるのは、NPP(Neural-Probabilistic Predicates)と、応答セットプログラミングを通じて統合された論理プログラムである。 我々は,MNIST加算のベンチマークデータとDPPLの欠落データ予測や最先端性能のセット予測といった新しいタスクに基づいてSLASHを評価する。
  論文  参考訳（メタデータ） (2021-10-07T12:35:55Z)
• Learning Neuro-Symbolic Relational Transition Models for Bilevel Planning [61.37385221479233]
  本研究では,モデルに基づく強化学習と記号幾何学的ロボット計画の統合のギャップを埋めるための一歩を踏み出した。 NSRTはシンボリックコンポーネントとニューラルコンポーネントの両方を持ち、外ループにおけるシンボリックAI計画がインナーループ内のニューラルモデルによる継続的な計画をガイドするバイレベルプランニングスキームを可能にする。 NSRTは、ほんの数十～数百回のトレーニングの後に学習でき、目標を達成するのに最大60のアクションを必要とする新しいタスクの高速計画に使用される。
  論文  参考訳（メタデータ） (2021-05-28T19:37:18Z)

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。