論文の概要: Exploring Structures of Inferential Mechanisms through Simplistic Digital Circuits

• arxiv url: http://arxiv.org/abs/2510.22883v1
• Date: Mon, 27 Oct 2025 00:18:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.407935
• Title: Exploring Structures of Inferential Mechanisms through Simplistic Digital Circuits
• Title（参考訳）: 単純ディジタル回路による推論機構の探索
• Authors: Giovanni Sileno, Jean-Louis Dessalles,
• Abstract要約: 認識に関する自然と人工の両方の見解は、明らかに統一された枠組みを欠いている。 シンボリックAIモデリング技術によって誘導される推論機構について考察する。 我々は8つの共通な推論パターンを同定し、従来とは異なる推論機構を統一フレームワークで明らかにした。
• 参考スコア（独自算出の注目度）: 1.228962043922484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive studies and artificial intelligence have developed distinct models for various inferential mechanisms (categorization, induction, abduction, causal inference, contrast, merge, ...). Yet, both natural and artificial views on cognition lack apparently a unifying framework. This paper formulates a speculative answer attempting to respond to this gap. To postulate on higher-level activation processes from a material perspective, we consider inferential mechanisms informed by symbolic AI modelling techniques, through the simplistic lenses of electronic circuits based on logic gates. We observe that a logic gate view entails a different treatment of implication and negation compared to standard logic and logic programming. Then, by combinatorial exploration, we identify four main forms of dependencies that can be realized by these inferential circuits. Looking at how these forms are generally used in the context of logic programs, we identify eight common inferential patterns, exposing traditionally distinct inferential mechanisms in an unifying framework. Finally, following a probabilistic interpretation of logic programs, we unveil inner functional dependencies. The paper concludes elaborating in what sense, even if our arguments are mostly informed by symbolic means and digital systems infrastructures, our observations may pinpoint to more generally applicable structures.
• Abstract（参考訳）: 認知研究と人工知能は、様々な推論機構(分類、誘導、誘拐、因果推論、コントラスト、マージ、...)の異なるモデルを開発した。 しかし、認識に関する自然と人工の両方の見解は、明らかに統一された枠組みを欠いている。 本稿では,このギャップに対応しようとする投機的回答を定式化する。 物質的観点から高レベルの活性化過程を仮定するため、論理ゲートに基づく電子回路の簡易レンズを通して、シンボルAIモデリング技術によって誘導される推論機構について考察する。 論理ゲートビューは、標準的な論理や論理プログラミングと比較して、意味や否定の扱いが異なることを観察する。 そして、組合せ探索により、これらの推論回路によって実現可能な4つの主要な依存関係を同定する。 これらの形式が論理プログラムの文脈でどのように使われるかを見て、8つの一般的な推論パターンを特定し、伝統的に異なる推論機構を統一フレームワークで明らかにする。 最後に、論理プログラムの確率論的解釈に続いて、内部関数依存を明らかにする。 この論文は、たとえ我々の議論が象徴的な手段やデジタルシステム基盤によって主に理解されているとしても、我々の観察はより一般的に適用可能な構造に向けられる可能性があると結論付けている。

関連論文リスト

• Reasoning Circuits in Language Models: A Mechanistic Interpretation of Syllogistic Inference [13.59675117792588]
  言語モデル(LM)に関する最近の研究は、体系的な推論原理を学べるかという議論を巻き起こしている。 本稿では,シロメトリクス推論の機械論的解釈について述べる。
  論文  参考訳（メタデータ） (2024-08-16T07:47:39Z)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• 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)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)
• Entropy-based Logic Explanations of Neural Networks [24.43410365335306]
  本稿では,ニューラルネットワークから論理的説明を抽出するエンド・ツー・エンドの微分可能な手法を提案する。 この方法はエントロピーに基づく基準に依存しており、最も関連する概念を自動的に識別する。 i) このエントロピーに基づく基準は, 臨床データからコンピュータビジョンへの安全クリティカル領域における簡潔な論理的説明の蒸留を可能にし, (ii) 提案手法は分類精度において最先端のホワイトボックスモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-12T15:50:47Z)
• Plausible Reasoning about EL-Ontologies using Concept Interpolation [27.314325986689752]
  本稿では,モデル理論の明確な意味論に基づく帰納的機構を提案する。 我々は、カテゴリーベース誘導の認知モデルと密接に関連している強力なコモンセンス推論機構である推論に焦点を当てた。
  論文  参考訳（メタデータ） (2020-06-25T14:19:41Z)

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。