論文の概要: Towards a Neurosymbolic Reasoning System Grounded in Schematic Representations
- arxiv url: http://arxiv.org/abs/2509.03644v1
- Date: Wed, 03 Sep 2025 18:50:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-05 20:21:09.945466
- Title: Towards a Neurosymbolic Reasoning System Grounded in Schematic Representations
- Title（参考訳）: 体系的表現に基づくニューロシンボリック推論システムに向けて
- Authors: François Olivier, Zied Bouraoui,
- Abstract要約: 大規模言語モデル(LLM)は論理的推論を行う際にエラーを起こしやすい。
本稿では,図式表現の理解と論理的推論を基盤とした,神経記号システム Embodied-LM の試作について紹介する。
- 参考スコア（独自算出の注目度）: 12.910444755119082
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite significant progress in natural language understanding, Large Language Models (LLMs) remain error-prone when performing logical reasoning, often lacking the robust mental representations that enable human-like comprehension. We introduce a prototype neurosymbolic system, Embodied-LM, that grounds understanding and logical reasoning in schematic representations based on image schemas-recurring patterns derived from sensorimotor experience that structure human cognition. Our system operationalizes the spatial foundations of these cognitive structures using declarative spatial reasoning within Answer Set Programming. Through evaluation on logical deduction problems, we demonstrate that LLMs can be guided to interpret scenarios through embodied cognitive structures, that these structures can be formalized as executable programs, and that the resulting representations support effective logical reasoning with enhanced interpretability. While our current implementation focuses on spatial primitives, it establishes the computational foundation for incorporating more complex and dynamic representations.
- Abstract（参考訳）: 自然言語理解の進歩にもかかわらず、Large Language Models (LLMs) は論理的推論を行う際にエラーを起こし、しばしば人間のような理解を可能にする堅牢な精神表現を欠いている。
本研究では,人間の認知を構造化する知覚的経験から得られたパターンに基づいて,図形表現の理解と論理的推論を基礎とする,プロトタイプ型ニューロシンボリックシステムであるEmbodied-LMを紹介する。
本システムでは,これらの認知構造の空間的基盤を,解答集合プログラミングにおける宣言的空間的推論を用いて操作する。
論理的推論問題の評価を通じて、LLMは、具体的認知構造を通してシナリオを解釈し、これらの構造は実行可能なプログラムとして形式化でき、結果として得られる表現は、解釈可能性を高めて効果的な論理的推論を支援することを実証する。
現在の実装は空間的プリミティブに焦点を当てているが、より複雑でダイナミックな表現を組み込むための計算基盤を確立している。
関連論文リスト
- Embryology of a Language Model [1.1874560263468232]
本研究では, モデルの構造的発達を可視化するために, UMAPを感受性マトリックスに適用する胚学的アプローチを提案する。
我々の可視化は、誘導回路のような既知の特徴の形成と、以前に未知の構造を発見したことのグラフを、明確なボディプランの出現を示す。
論文 参考訳（メタデータ） (2025-08-01T05:39:41Z) - On the Limits of Hierarchically Embedded Logic in Classical Neural Networks [0.0]
各レイヤが、論理的推論の少なくとも1つのレベルをエンコードできることを示します。
我々は、特定の深さのニューラルネットワークが1つの高階論理において、述語を忠実に表現できないことを証明した。
論文 参考訳（メタデータ） (2025-07-28T16:13:41Z) - Grounding Agent Reasoning in Image Schemas: A Neurosymbolic Approach to Embodied Cognition [12.269231280154482]
本稿では,認知理論とエージェントシステムを橋渡しする新しい枠組みを提案する。
我々は、エージェントの基本的な概念構造に対する理解を基盤として、ニューロシンボリックシステムを構築することができるだろう。
論文 参考訳（メタデータ） (2025-03-31T14:01:39Z) - LogiDynamics: Unraveling the Dynamics of Logical Inference in Large Language Model Reasoning [74.0242521818214]
本稿では、類似推論のための制御された評価環境を導入することにより、探索的アプローチを採用する。
帰納的,帰納的,帰納的,帰納的な推論パイプラインの比較力学を解析する。
仮説選択や検証,洗練といった高度なパラダイムを考察し,論理的推論のスケールアップの可能性を明らかにする。
論文 参考訳（メタデータ） (2025-02-16T15:54:53Z) - Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。
我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。
このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
論文 参考訳（メタデータ） (2023-10-03T05:40:56Z) - 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) - Modeling Hierarchical Reasoning Chains by Linking Discourse Units and
Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。
具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文 参考訳（メタデータ） (2023-06-21T07:34:27Z) - LogiGAN: Learning Logical Reasoning via Adversarial Pre-training [58.11043285534766]
本稿では,言語モデルの論理的推論能力を向上させるために,教師なしの対人事前学習フレームワークLogiGANを提案する。
人間の学習におけるリフレクティブ思考の促進効果に着想を得て,逆生成検証アーキテクチャを用いて学習思考過程をシミュレートする。
LogiGANで事前トレーニングされたベースモデルと大規模言語モデルの両方で、12のデータセットで明らかなパフォーマンス改善が示されている。
論文 参考訳（メタデータ） (2022-05-18T08:46:49Z)
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。