論文の概要: Neuro-Symbolic Frameworks: Conceptual Characterization and Empirical Comparative Analysis

• arxiv url: http://arxiv.org/abs/2509.07122v1
• Date: Mon, 08 Sep 2025 18:17:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.076321
• Title: Neuro-Symbolic Frameworks: Conceptual Characterization and Empirical Comparative Analysis
• Title（参考訳）: ニューロ・シンボリック・フレームワーク:概念的特徴と経験的比較分析
• Authors: Sania Sinha, Tanawan Premsri, Danial Kamali, Parisa Kordjamshidi,
• Abstract要約: ニューロシンボリック(NeSy)フレームワークは、神経表現と学習を象徴的な表現と推論と組み合わせている。 シンボル表現言語、ニューラルモデルとの統合、基礎となるアルゴリズムなど、既存のNeSyフレームワークの技術的側面について説明する。 textitDeepProbLog, textitScallop, textitDomiKnowSの3つの一般的なNeSyフレームワークを紹介します。
• 参考スコア（独自算出の注目度）: 27.750043072579285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurosymbolic (NeSy) frameworks combine neural representations and learning with symbolic representations and reasoning. Combining the reasoning capacities, explainability, and interpretability of symbolic processing with the flexibility and power of neural computing allows us to solve complex problems with more reliability while being data-efficient. However, this recently growing topic poses a challenge to developers with its learning curve, lack of user-friendly tools, libraries, and unifying frameworks. In this paper, we characterize the technical facets of existing NeSy frameworks, such as the symbolic representation language, integration with neural models, and the underlying algorithms. A majority of the NeSy research focuses on algorithms instead of providing generic frameworks for declarative problem specification to leverage problem solving. To highlight the key aspects of Neurosymbolic modeling, we showcase three generic NeSy frameworks - \textit{DeepProbLog}, \textit{Scallop}, and \textit{DomiKnowS}. We identify the challenges within each facet that lay the foundation for identifying the expressivity of each framework in solving a variety of problems. Building on this foundation, we aim to spark transformative action and encourage the community to rethink this problem in novel ways.
• Abstract（参考訳）: ニューロシンボリック(NeSy)フレームワークは、神経表現と学習を象徴的な表現と推論と組み合わせている。 シンボリック処理の推論能力、説明可能性、解釈可能性とニューラルコンピューティングの柔軟性とパワーを組み合わせることで、データ効率を保ちながら、より信頼性の高い複雑な問題を解くことができる。 しかし、最近増加しているこのトピックは、学習曲線、ユーザフレンドリなツール、ライブラリ、統一フレームワークの欠如によって、開発者にとって課題となっている。 本稿では,記号表現言語やニューラルモデルとの統合,基礎となるアルゴリズムなど,既存のNeSyフレームワークの技術的側面を特徴付ける。 NeSyの研究の大部分は、問題解決を活用するための宣言的問題仕様のための一般的なフレームワークを提供するのではなく、アルゴリズムに焦点を当てている。 ニューロシンボリックモデリングの重要な側面を強調するために、我々は3つの一般的なNeSyフレームワーク、 \textit{DeepProbLog}、 \textit{Scallop}、 \textit{DomiKnowS}を紹介した。 さまざまな問題を解決する上で,各フレームワークの表現性を識別する基盤となる,各面内の課題を特定します。 この基盤を基盤として、私たちは変革的な行動を引き起こし、新しい方法でこの問題を再考するようコミュニティに促すことを目指しています。

関連論文リスト

• NeSyCoCo: A Neuro-Symbolic Concept Composer for Compositional Generalization [17.49136753589057]
  NeSyCoCoは、シンボリック表現を生成し、それらを微分可能なニューラル計算にマッピングする、ニューロシンボリックフレームワークである。 我々のフレームワークは、ReaSCANとCLEVR-CoGenT合成一般化ベンチマークの最先端結果を達成する。
  論文  参考訳（メタデータ） (2024-12-20T05:48:58Z)
• 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)
• 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)
• Efficient Symbolic Reasoning for Neural-Network Verification [48.384446430284676]
  本稿では,ニューラルネットワーク検証のための新しいプログラム推論フレームワークを提案する。 我々のフレームワークの主要な構成要素は、記号領域と二次関係の利用である。 我々のフレームワークは、ニューラルネットワークの検証問題に新しい理論的洞察と実践的なツールをもたらすことができると信じている。
  論文  参考訳（メタデータ） (2023-03-23T18:08:11Z)
• 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)
• Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
  ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
  論文  参考訳（メタデータ） (2022-10-28T04:38:10Z)
• Knowledge-based Analogical Reasoning in Neuro-symbolic Latent Spaces [20.260546238369205]
  ニューラルネットワークのパターン認識能力とシンボリック推論と背景知識を組み合わせたフレームワークを提案する。 ニューラルアルゴリズム推論」アプローチ [DeepMind 2020] からインスピレーションを得て、問題固有のバックグラウンド知識を使用します。 我々は、RAVENのプログレッシブ・マトリクスにおける視覚的類似性の問題でこれを検証し、人間のパフォーマンスと競合する精度を実現する。
  論文  参考訳（メタデータ） (2022-09-19T04:03:20Z)
• Neuro-Symbolic Learning: Principles and Applications in Ophthalmology [20.693460748187906]
  ニューロシンボリックラーニング(NeSyL)の概念は、記号表現の側面を取り入れ、ニューラルネット(NeSyL)に共通の感覚をもたらす。 NeSyLは、ビデオや画像キャプション、質問回答と推論、健康情報学、ゲノム学など、解釈可能性、推論可能性、説明可能性が重要である領域において、有望な結果を示している。 このレビューでは、最先端のNeSyLアプローチ、その原則、機械学習およびディープラーニングアルゴリズムの進歩、オプタルモロジーのような応用、そして最も重要なのは、この新興分野の今後の展望について包括的に調査する。
  論文  参考訳（メタデータ） (2022-07-31T06:48:19Z)
• Machine Number Sense: A Dataset of Visual Arithmetic Problems for Abstract and Relational Reasoning [95.18337034090648]
  文法モデルを用いて自動生成される視覚的算術問題からなるデータセット、MNS(Machine Number Sense)を提案する。 これらの視覚的算術問題は幾何学的フィギュアの形をしている。 我々は、この視覚的推論タスクのベースラインとして、4つの主要なニューラルネットワークモデルを用いて、MNSデータセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-04-25T17:14:58Z)

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。