Fugu-MT 論文翻訳(概要): NeSyPr: Neurosymbolic Proceduralization For Efficient Embodied Reasoning

論文の概要: NeSyPr: Neurosymbolic Proceduralization For Efficient Embodied Reasoning

arxiv url: http://arxiv.org/abs/2510.19429v1
Date: Wed, 22 Oct 2025 09:57:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 03:08:15.5402
Title: NeSyPr: Neurosymbolic Proceduralization For Efficient Embodied Reasoning
Title（参考訳）: NeSyPr:効率的な身体的推論のためのニューロシンボリック・プロシージャライゼーション
Authors: Wonje Choi, Jooyoung Kim, Honguk Woo,
Abstract要約: NeSyPrは、ニューロシンボリックな手続き化を通じて知識をコンパイルする、新しい具体的推論フレームワークである。外部のシンボルガイダンスに頼ることなく、効率的なテスト時間推論をサポートする。我々は,PDDLGym,VirtualHome,ALFWorldを具現化したベンチマーク上でNeSyPrを評価した。
参考スコア（独自算出の注目度）: 21.685443540926652
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We address the challenge of adopting language models (LMs) for embodied tasks in dynamic environments, where online access to large-scale inference engines or symbolic planners is constrained due to latency, connectivity, and resource limitations. To this end, we present NeSyPr, a novel embodied reasoning framework that compiles knowledge via neurosymbolic proceduralization, thereby equipping LM-based agents with structured, adaptive, and timely reasoning capabilities. In NeSyPr, task-specific plans are first explicitly generated by a symbolic tool leveraging its declarative knowledge. These plans are then transformed into composable procedural representations that encode the plans' implicit production rules, enabling the resulting composed procedures to be seamlessly integrated into the LM's inference process. This neurosymbolic proceduralization abstracts and generalizes multi-step symbolic structured path-finding and reasoning into single-step LM inference, akin to human knowledge compilation. It supports efficient test-time inference without relying on external symbolic guidance, making it well suited for deployment in latency-sensitive and resource-constrained physical systems. We evaluate NeSyPr on the embodied benchmarks PDDLGym, VirtualHome, and ALFWorld, demonstrating its efficient reasoning capabilities over large-scale reasoning models and a symbolic planner, while using more compact LMs.
Abstract（参考訳）: 大規模推論エンジンやシンボリックプランナへのオンラインアクセスが、レイテンシ、接続性、リソース制限によって制限される動的環境において、言語モデル(LM)を採用するという課題に対処する。この目的のために、ニューロシンボリックな手続き化を通じて知識をコンパイルし、構造化、適応、タイムリーな推論能力を持つLMベースのエージェントを装備する新しい具体的推論フレームワークNeSyPrを提案する。 NeSyPrでは、タスク固有の計画は、宣言的知識を活用するシンボリックツールによって最初に明示的に生成される。これらの計画は、計画の暗黙的な生産規則を符号化する構成可能な手続き表現に変換され、結果として構成された手順がLMの推論プロセスにシームレスに統合される。本発明のニューロシンボリックプロシージャライゼーションは、多段階構造的パスフィニングと推論を、人間の知識コンパイルに似た単一段階のLM推論に抽象化し、一般化する。外部のシンボルガイダンスに頼ることなく、効率的なテスト時間推論をサポートし、レイテンシに敏感でリソースに制約のある物理システムへのデプロイに適しています。我々は,PDDLGym,VirtualHome,ALFWorldを具現化したベンチマーク上でNeSyPrを評価し,よりコンパクトなLMを使用しながら,大規模な推論モデルとシンボリックプランナよりも効率的な推論能力を実証した。

関連論文リスト

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)
Worst-Case Symbolic Constraints Analysis and Generalisation with Large Language Models [7.658134651527103]
最悪のケースのシンボリック制約分析では、最悪のケースのプログラムの実行を特徴付けるシンボリック制約を推論する必要がある。我々は,現在最先端の大規模言語モデル (LLM) でさえ,このタスクに直接適用した場合に苦労することを示す。我々は,より小さな具体的入力サイズに対する最悪の制約を計算する,革新的ニューロシンボリックアプローチであるWARPを提案する。
論文参考訳（メタデータ） (2025-06-09T19:33:30Z)
On Scaling Neurosymbolic Programming through Guided Logical Inference [1.124958340749622]
そこで我々は,論理的証明の計算をバイパスするアルゴリズムNLを提案する。このアプローチは, ApproxDPNL と呼ばれる $epsilon$ あるいは $(epsilon, delta)$ 保証を用いて近似推論に適応可能であることを示す。
論文参考訳（メタデータ） (2025-01-30T08:49:25Z)
Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
論文参考訳（メタデータ） (2024-08-17T11:49:53Z)
Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
論文参考訳（メタデータ） (2024-02-09T07:45:26Z)
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)
Mastering Symbolic Operations: Augmenting Language Models with Compiled Neural Networks [48.14324895100478]
ニューラルアーキテクチャ」は、コンパイルされたニューラルネットワーク(CoNN)を標準変換器に統合する。 CoNNは、人工的に生成された注意重みを通してルールを明示的にエンコードするように設計されたニューラルネットワークモジュールである。実験は,シンボル操作における長さ一般化,効率,解釈可能性の観点から,既存の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-04-04T09:50:07Z)
Neuro-Symbolic Causal Language Planning with Commonsense Prompting [67.06667162430118]
言語プランニングは、より単純な低レベルステップに分解することで、複雑な高レベルな目標を実装することを目的としている。以前の手法では、大規模な言語モデルからそのような能力を得るために、手動の例えか注釈付きプログラムが必要である。本稿では,LLMからの手続き的知識をコモンセンス・インフュージョン・プロンプトにより引き起こすニューロシンボリック因果言語プランナー(CLAP)を提案する。
論文参考訳（メタデータ） (2022-06-06T22:09:52Z)

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。