論文の概要: A Fully Spectral Neuro-Symbolic Reasoning Architecture with Graph Signal Processing as the Computational Backbone

• arxiv url: http://arxiv.org/abs/2508.14923v1
• Date: Tue, 19 Aug 2025 05:49:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.021815
• Title: A Fully Spectral Neuro-Symbolic Reasoning Architecture with Graph Signal Processing as the Computational Backbone
• Title（参考訳）: グラフ信号処理をバックボーンとした完全スペクトル型ニューロシンボリック推論アーキテクチャ
• Authors: Andrew Kiruluta,
• Abstract要約: 本稿では,グラフ信号処理(GSP)を主計算バックボーンとして利用する,完全スペクトルのニューロシンボリック推論アーキテクチャを提案する。 本稿では、スペクトル推論のための完全な数学的枠組みとして、グラフフーリエ変換、帯域選択型アテンション、スペクトル規則グラウンドティングを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a fully spectral, neuro\-symbolic reasoning architecture that leverages Graph Signal Processing (GSP) as the primary computational backbone for integrating symbolic logic and neural inference. Unlike conventional reasoning models that treat spectral graph methods as peripheral components, our approach formulates the entire reasoning pipeline in the graph spectral domain. Logical entities and relationships are encoded as graph signals, processed via learnable spectral filters that control multi-scale information propagation, and mapped into symbolic predicates for rule-based inference. We present a complete mathematical framework for spectral reasoning, including graph Fourier transforms, band-selective attention, and spectral rule grounding. Experiments on benchmark reasoning datasets (ProofWriter, EntailmentBank, bAbI, CLUTRR, and ARC-Challenge) demonstrate improvements in logical consistency, interpretability, and computational efficiency over state\-of\-the\-art neuro\-symbolic models. Our results suggest that GSP provides a mathematically grounded and computationally efficient substrate for robust and interpretable reasoning systems.
• Abstract（参考訳）: 本稿では,グラフ信号処理(GSP)をシンボル論理とニューラル推論を統合するための主要な計算バックボーンとして活用する,完全スペクトルのニューラル・シンボリック推論アーキテクチャを提案する。 スペクトルグラフ法を周辺成分として扱う従来の推論モデルとは異なり,本手法はグラフスペクトル領域における推論パイプライン全体の定式化を行う。 論理エンティティと関係性はグラフ信号として符号化され、学習可能なスペクトルフィルタによって処理され、多スケール情報伝搬を制御する。 本稿では、スペクトル推論のための完全な数学的枠組みとして、グラフフーリエ変換、帯域選択型アテンション、スペクトル規則グラウンドティングを提案する。 ベンチマーク推論データセット(ProofWriter, EntailmentBank, bAbI, CLUTRR, ARC-Challenge)の実験では、最先端のニューロ・シンボリックモデルよりも論理的一貫性、解釈可能性、計算効率が改善されている。 この結果から,GSPは,頑健かつ解釈可能な推論システムに対して,数学的基盤と計算効率のよい基板を提供することが明らかとなった。

関連論文リスト

• Quantum Spectral Reasoning: A Non-Neural Architecture for Interpretable Machine Learning [0.0]
  本稿では,従来のニューラルネットワークのパラダイムから外れた,新しい機械学習アーキテクチャを提案する。 我々は、量子スペクトル法、特にPade近似法とLanczosアルゴリズムを用いて、解釈可能な信号解析とシンボリック推論を行う。 その結果,このスペクトル記号型アーキテクチャは,解釈可能性とデータ効率を保ちながら,競合精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-08-05T07:16:45Z)
• Beyond Neural Networks: Symbolic Reasoning over Wavelet Logic Graph Signals [0.0]
  グラフラプラシアンウェーブレット変換(GLWT)に基づく完全非ニューラルラーニングフレームワークを提案する。 我々のモデルは、構造化されたマルチスケールフィルタリング、非線形収縮、ウェーブレット係数上のシンボリック論理を用いて、グラフスペクトル領域で純粋に動作する。
  論文  参考訳（メタデータ） (2025-07-27T19:01:13Z)
• A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
  この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。 コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。 この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
  論文  参考訳（メタデータ） (2025-07-17T10:02:57Z)
• Spectral Graph Reasoning Network for Hyperspectral Image Classification [0.43512163406551996]
  畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において顕著な性能を達成した。 本稿では、2つの重要なモジュールからなるスペクトルグラフ推論ネットワーク(SGR)学習フレームワークを提案する。 2つのHSIデータセットの実験により、提案したアーキテクチャが分類精度を大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2024-07-02T20:29:23Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Bridging the Gap Between Spectral and Spatial Domains in Graph Neural Networks [8.563354084119062]
  空間領域やスペクトル領域におけるグラフ畳み込み過程の等価性を示す。 提案フレームワークは、空間領域に適用しながら、独自の周波数プロファイルを持つスペクトル領域の新しい畳み込みを設計するために使用される。
  論文  参考訳（メタデータ） (2020-03-26T01:49:24Z)

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。