論文の概要: Constraints-Guided Diffusion Reasoner for Neuro-Symbolic Learning

• arxiv url: http://arxiv.org/abs/2508.16524v1
• Date: Fri, 22 Aug 2025 16:47:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.461131
• Title: Constraints-Guided Diffusion Reasoner for Neuro-Symbolic Learning
• Title（参考訳）: ニューロ・シンボリック学習のための制約誘導拡散共振器
• Authors: Xuan Zhang, Zhijian Zhou, Weidi Xu, Yanting Miao, Chao Qu, Yuan Qi,
• Abstract要約: 我々は、ニューロシンボリックラーニングを実行し、論理パズルを解くために強力なアーキテクチャを採用している。 本研究では,スドク,マゼ,パスフィニング,選好学習など,古典的シンボリック推論ベンチマークを用いて方法論を評価した。 実験により,ニューラルネットワーク間での精度と論理的整合性を実証した。
• 参考スコア（独自算出の注目度）: 15.223419884313275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enabling neural networks to learn complex logical constraints and fulfill symbolic reasoning is a critical challenge. Bridging this gap often requires guiding the neural network's output distribution to move closer to the symbolic constraints. While diffusion models have shown remarkable generative capability across various domains, we employ the powerful architecture to perform neuro-symbolic learning and solve logical puzzles. Our diffusion-based pipeline adopts a two-stage training strategy: the first stage focuses on cultivating basic reasoning abilities, while the second emphasizes systematic learning of logical constraints. To impose hard constraints on neural outputs in the second stage, we formulate the diffusion reasoner as a Markov decision process and innovatively fine-tune it with an improved proximal policy optimization algorithm. We utilize a rule-based reward signal derived from the logical consistency of neural outputs and adopt a flexible strategy to optimize the diffusion reasoner's policy. We evaluate our methodology on some classical symbolic reasoning benchmarks, including Sudoku, Maze, pathfinding and preference learning. Experimental results demonstrate that our approach achieves outstanding accuracy and logical consistency among neural networks.
• Abstract（参考訳）: 複雑な論理的制約を学習し、象徴的な推論を満たすニューラルネットワークの実現は、重要な課題である。 このギャップを埋めるには、しばしば、ニューラルネットワークの出力分布を象徴的な制約に近づけるために導く必要がある。 拡散モデルは様々な領域で顕著な生成能力を示してきたが、我々は強力なアーキテクチャを用いてニューロシンボリック学習を行い、論理パズルを解く。 第一段階は基本的な推論能力の育成に焦点を当て、第二段階は論理的制約の体系的な学習を強調します。 第2段階で神経出力に厳しい制約を課すため、マルコフ決定過程として拡散推論器を定式化し、改良された近似ポリシー最適化アルゴリズムで革新的に微調整する。 ニューラルアウトプットの論理的整合性から導かれるルールに基づく報酬信号を利用し、拡散推論のポリシーを最適化するための柔軟な戦略を採用する。 本研究では,スドク,マゼ,パスフィニング,選好学習など,古典的シンボリック推論ベンチマークを用いて方法論を評価した。 実験により,ニューラルネットワーク間での精度と論理的整合性を実証した。

関連論文リスト

• A Comparative Study of Neurosymbolic AI Approaches to Interpretable Logical Reasoning [0.0]
  ドメインに依存しないタスクを推論する能力として定義された一般的な論理的推論は、大型言語モデル(LLM)の課題であり続けている。 近年、ニューラルネットワークに論理を組み込もうとするニューロシンボリックAIへの関心が高まっている。 まず、論理的推論を改善するための2つの主要なニューロシンボリックアプローチを同定する。
  論文  参考訳（メタデータ） (2025-08-05T12:14:32Z)
• Certified Neural Approximations of Nonlinear Dynamics [52.79163248326912]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Neuro-symbolic Learning Yielding Logical Constraints [22.649543443988712]
  ニューロシンボリックシステムのエンドツーエンドの学習は、まだ未解決の課題である。 本稿では,ネットワーク,シンボル接地,論理的制約合成を両立させるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-28T12:18:25Z)
• NeuralFastLAS: Fast Logic-Based Learning from Raw Data [54.938128496934695]
  シンボリック・ルール学習者は解釈可能な解を生成するが、入力を記号的に符号化する必要がある。 ニューロシンボリックアプローチは、ニューラルネットワークを使用して生データを潜在シンボリック概念にマッピングすることで、この問題を克服する。 我々は,ニューラルネットワークを記号学習者と共同でトレーニングする,スケーラブルで高速なエンドツーエンドアプローチであるNeuralFastLASを紹介する。
  論文  参考訳（メタデータ） (2023-10-08T12:33:42Z)
• Injecting Logical Constraints into Neural Networks via Straight-Through Estimators [5.6613898352023515]
  ニューラルネットワーク学習に離散的な論理的制約を注入することは、ニューロシンボリックAIにおける大きな課題の1つだ。 ニューラルネットワークの学習に論理的制約を組み込むために、バイナリニューラルネットワークをトレーニングするために導入されたストレートスルー推定器が効果的に適用できることがわかった。
  論文  参考訳（メタデータ） (2023-07-10T05:12:05Z)
• Extensions to Generalized Annotated Logic and an Equivalent Neural Architecture [4.855957436171202]
  本稿では,ニューロシンボリックシステムに対する望ましい基準のリストを提案し,既存のアプローチのいくつかがこれらの基準にどう対処するかを検討する。 次に、等価なニューラルアーキテクチャの作成を可能にするアノテーション付き一般化論理の拡張を提案する。 トレーニングプロセスの継続的な最適化に依存する従来のアプローチとは異なり、当社のフレームワークは、離散最適化を使用する二項化ニューラルネットワークとして設計されている。
  論文  参考訳（メタデータ） (2023-02-23T17:39:46Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
  我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。 強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
  論文  参考訳（メタデータ） (2021-07-06T17:59:49Z)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)
• Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
  検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。 また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-04-17T20:21:47Z)

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。