論文の概要: From Grounding to Skolemization: A Logic-Constrained Vector Symbolic Architecture for Complex Query Answering
- arxiv url: http://arxiv.org/abs/2509.10837v1
- Date: Sat, 13 Sep 2025 14:59:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-16 17:26:22.803799
- Title: From Grounding to Skolemization: A Logic-Constrained Vector Symbolic Architecture for Complex Query Answering
- Title（参考訳）: グラウンディングからスコレム化へ:複雑クエリアンサーのための論理制約ベクター記号型アーキテクチャ
- Authors: Yuyin Lu, Hegang Chen, Yanghui Rao,
- Abstract要約: 不完全知識グラフ(KG)上の複素クエリアンサーリング(CQA)は、論理的健全性と計算効率の基本的なトレードオフに直面している。
この研究は、形式論理のレンズを通してCQA法を体系的に解析するグラウンディング・スコレム化二分法を確立する。
本稿では,Skolemizationモジュールとニューラルネガレータを統一したニューロシンボリック・シンボリック・ベクター・アーキテクチャ(LVSA)を提案する。
- 参考スコア（独自算出の注目度）: 14.380920038542287
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Complex Query Answering (CQA) over incomplete Knowledge Graphs (KGs), typically formalized as reasoning with Existential First-Order predicate logic with one free variable (EFO$_1$), faces a fundamental trade-off between logical soundness and computational efficiency. This work establishes the Grounding-Skolemization dichotomy for systematically analyzing CQA methods through the lens of formal logic. While Grounding-based methods inherently suffer from combinatorial explosion, most Skolemization-based methods neglect to explicitly model Skolem functions and compromise logical consistency. To address these limitations, we propose the Logic-constrained Vector Symbolic Architecture (LVSA), a neuro-symbolic framework that unifies a differentiable Skolemization module and a neural negator, as well as a logical constraint-driven optimization protocol to harmonize geometric and logical requirements. Theoretically, LVSA guarantees universality for all EFO$_1$ queries. Empirically, it outperforms state-of-the-art Skolemization-based methods and reduces inference costs by orders of magnitude compared to Grounding-based baselines.
- Abstract（参考訳）: 不完全知識グラフ (KGs) 上の複素クエリアンサーリング (CQA) は、1つの自由変数 (EFO$_1$) を持つ存在一階述語論理の推論として形式化され、論理的健全性と計算効率の基本的なトレードオフに直面している。
この研究は、形式論理のレンズを通してCQA法を体系的に解析するグラウンディング・スコレム化二分法を確立する。
グラウンディングに基づく手法は本質的に組合せ的爆発に苦しむが、スコーレム化に基づくほとんどの手法はスコーレム関数を明示的にモデル化し、論理的一貫性を損なうことを無視する。
これらの制約に対処するために,Skolemizationモジュールとニューラルネガレータを統一したニューロシンボリックフレームワークであるLogic-Constrained Vector Symbolic Architecture (LVSA) と,幾何学的および論理的要求を調和させる論理的制約駆動最適化プロトコルを提案する。
理論的には、LVSAはすべてのEFO$_1$クエリに対して普遍性を保証する。
経験的には、最先端のSkolemizationベースの手法よりも優れており、Groundingベースのベースラインと比較して、推論コストを桁違いに削減している。
関連論文リスト
- Do It for HER: First-Order Temporal Logic Reward Specification in Reinforcement Learning (Extended Version) [49.462399222747024]
本研究では,大規模状態空間を持つ決定過程(MDP)における非マルコフ報酬の論理的仕様に関する新しい枠組みを提案する。
我々のアプローチは有限トレース(LTLfMT)上での線形時間論理モデュロ理論を利用する
本稿では,報酬マシンとHER(Hindsight Experience Replay)をベースとした一階述語論理仕様の翻訳手法を提案する。
論文 参考訳（メタデータ） (2026-02-05T22:11:28Z) - Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。
提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
論文 参考訳（メタデータ） (2025-10-02T15:15:50Z) - Step-Aware Policy Optimization for Reasoning in Diffusion Large Language Models [57.42778606399764]
拡散言語モデル(dLLM)は、テキスト生成に有望で非自己回帰的なパラダイムを提供する。
現在の強化学習アプローチは、しばしばスパースで結果に基づく報酬に頼っている。
これは推論の自然な構造との根本的なミスマッチに由来すると我々は主張する。
論文 参考訳（メタデータ） (2025-10-02T00:34:15Z) - From Ambiguity to Verdict: A Semiotic-Grounded Multi-Perspective Agent for LLM Logical Reasoning [16.381034926435074]
LogicAgentは、論理的な複雑さと意味的な複雑さを共同で扱うように設計された、セミオティックな2乗誘導フレームワークである。
既存のデータセットのセマンティックな単純さと論理的な複雑さを克服するために、大学レベルの難易度に達するベンチマークであるRepublicQAを導入する。
LogicAgentはRepublicQAで最先端のパフォーマンスを実現しており、強いベースラインよりも平均6.25%向上している。
論文 参考訳（メタデータ） (2025-09-29T13:31:22Z) - Zero-shot Compositional Action Recognition with Neural Logic Constraints [15.451848952659343]
ZS-CARは、訓練中に学習した動詞とオブジェクトプリミティブの知識を活用することで、ビデオ中の未確認動詞の合成を識別することを目的としている。
構成的学習の進展にもかかわらず,(1)構成的構造的制約の欠如,(2)意味的階層的制約の無視,意味的曖昧さと訓練過程の障害という2つの重要な課題が続いている。
我々は、人間のような象徴的推論が、構成的および階層的構造的抽象を明示的にモデル化することによって、これらの課題に対する原則的な解決策を提供すると主張する。
論文 参考訳（メタデータ） (2025-08-04T11:40:42Z) - Categorical Construction of Logically Verifiable Neural Architectures [0.0]
ニューラルネットワークはパターン認識に優れるが、信頼できる論理的推論に苦しむ。
我々は、証明可能な論理的保証を持つニューラルネットワークを体系的に構築する分類的枠組みを開発する。
このフレームワークは信頼できるAIシステムのための数学的基盤を提供し、定理証明、形式的検証、そして検証可能な論理的振る舞いを必要とする安全クリティカルな推論タスクへの応用を提供する。
論文 参考訳（メタデータ） (2025-08-02T04:30:05Z) - Syzygy of Thoughts: Improving LLM CoT with the Minimal Free Resolution [59.39066657300045]
CoT(Chain-of-Thought)は、問題を逐次ステップに分解することで、大きな言語モデル(LLM)の推論を促進する。
思考のシジー(Syzygy of Thoughts, SoT)は,CoTを補助的,相互関連的な推論経路を導入して拡張する新しいフレームワークである。
SoTはより深い論理的依存関係をキャプチャし、より堅牢で構造化された問題解決を可能にする。
論文 参考訳（メタデータ） (2025-04-13T13:35:41Z) - 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) - Complex Query Answering on Eventuality Knowledge Graph with Implicit
Logical Constraints [48.831178420807646]
我々は、EVentuality中心のKGに基づいて、ニューラルネットワークを利用して複雑な論理的クエリに応答する新しいフレームワークを提案する。
複合事象性クエリ・アンサーリング(CEQA)は、時間的順序と事象の発生を規定する暗黙の論理的制約を考察する。
また、CEQAタスク上での最先端のニューラルクエリエンコーダの性能を大幅に向上させるメモリ拡張クエリ(MEQE)を提案する。
論文 参考訳（メタデータ） (2023-05-30T14:29:24Z) - Logical blocks for fault-tolerant topological quantum computation [55.41644538483948]
本稿では,プラットフォームに依存しない論理ゲート定義の必要性から,普遍的なフォールトトレラント論理の枠組みを提案する。
資源オーバーヘッドを改善するユニバーサル論理の新しいスキームについて検討する。
境界のない計算に好適な論理誤差率を動機として,新しい計算手法を提案する。
論文 参考訳（メタデータ） (2021-12-22T19:00:03Z)
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。