論文の概要: Lattice Annotated Temporal (LAT) Logic for Non-Markovian Reasoning

• arxiv url: http://arxiv.org/abs/2509.02958v1
• Date: Wed, 03 Sep 2025 02:45:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.394098
• Title: Lattice Annotated Temporal (LAT) Logic for Non-Markovian Reasoning
• Title（参考訳）: 非マルコフ推論のための格子アノテート時間論理(LAT)
• Authors: Kaustuv Mukherji, Jaikrishna Manojkumar Patil, Dyuman Aditya, Paulo Shakarian, Devendra Parkar, Lahari Pokala, Clark Dorman, Gerardo I. Simari,
• Abstract要約: LAT Logicは、GAP(Generalized Annotated Logic Programs)の拡張である。 LAT Logicは、より低い格子構造を用いることで、オープンワールドのセマンティクスをサポートする。 私たちのオープンソース実装であるPyReasonは、モジュール設計、マシンレベルの最適化、強化学習環境との直接統合を特徴としています。
• 参考スコア（独自算出の注目度）: 0.20878935665163192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Lattice Annotated Temporal (LAT) Logic, an extension of Generalized Annotated Logic Programs (GAPs) that incorporates temporal reasoning and supports open-world semantics through the use of a lower lattice structure. This logic combines an efficient deduction process with temporal logic programming to support non-Markovian relationships and open-world reasoning capabilities. The open-world aspect, a by-product of the use of the lower-lattice annotation structure, allows for efficient grounding through a Skolemization process, even in domains with infinite or highly diverse constants. We provide a suite of theoretical results that bound the computational complexity of the grounding process, in addition to showing that many of the results on GAPs (using an upper lattice) still hold with the lower lattice and temporal extensions (though different proof techniques are required). Our open-source implementation, PyReason, features modular design, machine-level optimizations, and direct integration with reinforcement learning environments. Empirical evaluations across multi-agent simulations and knowledge graph tasks demonstrate up to three orders of magnitude speedup and up to five orders of magnitude memory reduction while maintaining or improving task performance. Additionally, we evaluate LAT Logic's value in reinforcement learning environments as a non-Markovian simulator, achieving up to three orders of magnitude faster simulation with improved agent performance, including a 26% increase in win rate due to capturing richer temporal dependencies. These results highlight LAT Logic's potential as a unified, extensible framework for open-world temporal reasoning in dynamic and uncertain environments. Our implementation is available at: pyreason.syracuse.edu.
• Abstract（参考訳）: 本稿では,時間的推論を組み込んだGAP(Generalized Annotated Logic Programs)の拡張であるLattice Annotated Temporal (LAT) Logicを紹介する。 この論理は、効率的な推論プロセスと時間論理プログラミングを組み合わせて、非マルコフ関係とオープンワールド推論機能をサポートする。 オープンワールドの側面は、低格子のアノテーション構造の使用の副産物であり、無限あるいは高度に多様な定数を持つ領域であっても、スコレム化過程を通じて効率的な接地を可能にする。 我々は、基底過程の計算複雑性を束縛する理論的な結果の集合を提供するとともに、GAP(上格子を用いた)の多くの結果が下格子と時間拡張(異なる証明技術が必要であるが)で保たれていることを示す。 私たちのオープンソース実装であるPyReasonは、モジュール設計、マシンレベルの最適化、強化学習環境との直接統合を特徴としています。 マルチエージェントシミュレーションとナレッジグラフタスクによる経験的評価は、タスク性能を維持したり改善したりしながら、最大3桁のスピードアップと最大5桁のメモリ削減を示す。 さらに、強化学習環境におけるLAT Logicの価値を非マルコフシミュレータとして評価し、よりリッチな時間依存性の取得による26%の利得率の増加を含むエージェント性能の向上により、最大3桁の高速なシミュレーションを実現した。 これらの結果は、動的で不確実な環境において、オープンワールドの時間的推論のための統一的で拡張可能なフレームワークとしてのLAT Logicの可能性を強調している。 実装は、pyreason.syracuse.eduで公開しています。

関連論文リスト

• T-ILR: a Neurosymbolic Integration for LTLf [47.316620315732024]
  本稿では,時間論理の仕様をシーケンスベースタスクのためのディープラーニングアーキテクチャに直接組み込むニューロシンボリックフレームワークを提案する。 提案手法をT-ILR (Temporal Iterative Local Refinement) と呼ぶ。
  論文  参考訳（メタデータ） (2025-08-21T20:24:20Z)
• Do LLMs Dream of Discrete Algorithms? [0.7646713951724011]
  大規模言語モデル(LLM)は、人工知能の風景を急速に変化させてきた。 確率的推論への依存は、厳密な論理的推論を必要とする領域における有効性を制限する。 本稿では,論理ベースの推論モジュールでLLMを増強するニューロシンボリックアプローチを提案する。
  論文  参考訳（メタデータ） (2025-06-29T22:03:01Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• PixelThink: Towards Efficient Chain-of-Pixel Reasoning [70.32510083790069]
  PixelThinkは、外部から推定されるタスクの難しさと内部で測定されたモデルの不確実性を統合する、シンプルで効果的なスキームである。 シーンの複雑さと予測信頼度に応じて推論の長さを圧縮することを学ぶ。 実験により,提案手法は推論効率と全体セグメンテーション性能の両方を改善した。
  論文  参考訳（メタデータ） (2025-05-29T17:55:49Z)
• Efficient FPGA Implementation of Time-Domain Popcount for Low-Complexity Machine Learning [0.2663045001864042]
  人口数(人口数)は多くの低複雑性機械学習(ML)アルゴリズムにとって重要な操作である。 本稿では,これらの操作を時間領域で実行することで高速化し,最適化する革新的な手法を提案する。
  論文  参考訳（メタデータ） (2025-05-04T16:44:15Z)
• Optimizing LLM Inference: Fluid-Guided Online Scheduling with Memory Constraints [14.341123057506827]
  大規模言語モデル(LLM)は、今日のアプリケーションでは必須であるが、推論手順は重要な計算資源を必要とする。 本稿では,多段階オンラインスケジューリング問題としてLLM推論最適化を定式化する。 我々は,アルゴリズム設計をガイドするトラクタブルなベンチマークを提供するために,流体力学近似を開発した。
  論文  参考訳（メタデータ） (2025-04-15T16:00:21Z)
• LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
  グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。 LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。 LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-23T17:35:19Z)
• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  カリキュラムベースの論理認識型チューニングフレームワークであるLACTを提案する。 具体的には、任意の一階論理クエリをバイナリツリー分解によって拡張する。 広く使われているデータセットに対する実験では、LATは高度な手法よりも大幅に改善(平均+5.5% MRRスコア)し、新しい最先端技術を実現している。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)

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。