論文の概要: Vector Symbolic Algebras for the Abstraction and Reasoning Corpus
- arxiv url: http://arxiv.org/abs/2511.08747v1
- Date: Thu, 13 Nov 2025 01:05:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-13 22:34:54.217866
- Title: Vector Symbolic Algebras for the Abstraction and Reasoning Corpus
- Title（参考訳）: 抽象・推論コーパスのためのベクトル記号代数
- Authors: Isaac Joffe, Chris Eliasmith,
- Abstract要約: ARC-AGIは、数発の流体インテリジェンスベンチマークである。
認知学的に妥当なARC-AGIソルバを提案する。
システム1の直観とシステム2の推論を統合する。
- 参考スコア（独自算出の注目度）: 1.2031796234206134
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Abstraction and Reasoning Corpus for Artificial General Intelligence (ARC-AGI) is a generative, few-shot fluid intelligence benchmark. Although humans effortlessly solve ARC-AGI, it remains extremely difficult for even the most advanced artificial intelligence systems. Inspired by methods for modelling human intelligence spanning neuroscience to psychology, we propose a cognitively plausible ARC-AGI solver. Our solver integrates System 1 intuitions with System 2 reasoning in an efficient and interpretable process using neurosymbolic methods based on Vector Symbolic Algebras (VSAs). Our solver works by object-centric program synthesis, leveraging VSAs to represent abstract objects, guide solution search, and enable sample-efficient neural learning. Preliminary results indicate success, with our solver scoring 10.8% on ARC-AGI-1-Train and 3.0% on ARC-AGI-1-Eval. Additionally, our solver performs well on simpler benchmarks, scoring 94.5% on Sort-of-ARC and 83.1% on 1D-ARC -- the latter outperforming GPT-4 at a tiny fraction of the computational cost. Importantly, our approach is unique; we believe we are the first to apply VSAs to ARC-AGI and have developed the most cognitively plausible ARC-AGI solver yet. Our code is available at: https://github.com/ijoffe/ARC-VSA-2025.
- Abstract（参考訳）: The Abstraction and Reasoning Corpus for Artificial General Intelligence (ARC-AGI)は、ジェネレーティブで少数ショットの流体インテリジェンスベンチマークである。
人間はARC-AGIを精力的に解決するが、最先端の人工知能システムでさえ非常に困難である。
神経科学から心理学への人間の知性をモデル化する手法に着想を得て,認知学的に妥当なARC-AGIソルバを提案する。
システム1の直感とシステム2の推論を,ベクトル記号代数(VSAs)に基づくニューロシンボリック手法を用いて,効率的かつ解釈可能なプロセスに統合した。
我々の解法は、オブジェクト中心のプログラム合成によって機能し、VSAsを利用して抽象オブジェクトを表現し、解探索をガイドし、サンプル効率のよいニューラルラーニングを可能にする。
その結果,ARC-AGI-1-Trainでは10.8%,ARC-AGI-1-Evalでは3.0%が有効であった。
さらに,Solt-of-ARCでは94.5%,1D-ARCでは83.1%,計算コストのごく一部でGPT-4を上回った。
我々は、VSAをARC-AGIに適用し、認知的にもっとも有効なARC-AGIソルバを開発したと信じている。
私たちのコードは、https://github.com/ijoffe/ARC-VSA-2025で利用可能です。
関連論文リスト
- Enigmata: Scaling Logical Reasoning in Large Language Models with Synthetic Verifiable Puzzles [46.71887319140096]
エニグマタ(Enigmata)は,パズル推論スキルを備えた大規模言語モデルの改良に適した,最初の包括的スイートである。
これには、7つのカテゴリにわたる36のタスクが含まれており、それぞれが、制御可能な難易度を持つ無制限なサンプルを生成するジェネレータと、自動評価のためのルールベースの検証器を備えている。
私たちのトレーニングモデルであるQwen2.5-32B-Enigmataは、パズル推論ベンチマークにおいて、o3-mini-highとo1を一貫して上回ります。
論文 参考訳（メタデータ） (2025-05-26T12:40:31Z) - ARC-AGI-2: A New Challenge for Frontier AI Reasoning Systems [0.03431023404301193]
ARC-AGI-2は、前者の入出力ペアタスクフォーマットを保持し、研究者の連続性を保証する。
それは、抽象的推論と問題解決能力を評価するために特別に設計された、新しくキュレーションされ拡張された一連のタスクを含んでいる。
ARC-AGI-2は、より汎用的で人間らしいAI能力への進歩を厳格に測定するための次世代ツールとして機能することを目指している。
論文 参考訳（メタデータ） (2025-05-17T04:34:48Z) - ARC-NCA: Towards Developmental Solutions to the Abstraction and Reasoning Corpus [0.0]
ARC-NCAはARC-AGIベンチマークに取り組むための開発手法である。
開発ソリューションは、AIの問題解決能力を高めるための有望な道を提供するかもしれない。
論文 参考訳（メタデータ） (2025-05-13T17:55:43Z) - Neural networks for abstraction and reasoning: Towards broad
generalization in machines [3.165509887826658]
我々は Abstraction & Reasoning Corpus (ARC) を解くための新しいアプローチについて検討する。
本研究では,DreamCoderのニューロシンボリック推論解法をARCに適用する。
我々は、DreamCoderがARCタスクを解くことを可能にするPeARL(Perceptual Abstraction and Reasoning Language)言語を提示する。
ARCに関する今後の研究を容易にするために、arckit Pythonライブラリを公開しています。
論文 参考訳（メタデータ） (2024-02-05T20:48:57Z) - ArchGym: An Open-Source Gymnasium for Machine Learning Assisted
Architecture Design [52.57999109204569]
ArchGymは、さまざまな検索アルゴリズムをアーキテクチャシミュレータに接続するオープンソースのフレームワークである。
我々は、カスタムメモリコントローラ、ディープニューラルネットワークアクセラレータ、AR/VRワークロード用のカスタムSOCを設計する際に、複数のバニラおよびドメイン固有の検索アルゴリズムにわたってArchGymを評価する。
論文 参考訳（メタデータ） (2023-06-15T06:41:23Z) - LLMs and the Abstraction and Reasoning Corpus: Successes, Failures, and
the Importance of Object-based Representations [50.431003245201644]
GPT-4 は 1D-ARC や単純な ARC サブセットのような非言語領域で完全に「推論」できないことを示す。
本稿では,外部ツールから得られるオブジェクトベース表現を提案する。これにより,解決されたARCタスクのパフォーマンスがほぼ倍増し,より簡単な1D-ARC上でのほぼ完璧なスコアが得られた。
論文 参考訳（メタデータ） (2023-05-26T16:32:17Z) - OpenAGI: When LLM Meets Domain Experts [51.86179657467822]
ヒューマン・インテリジェンス(HI)は、複雑なタスクを解くための基本的なスキルの組み合わせに長けている。
この機能は人工知能(AI)にとって不可欠であり、包括的なAIエージェントに組み込まれるべきである。
マルチステップで現実的なタスクを解決するために設計されたオープンソースのプラットフォームであるOpenAGIを紹介します。
論文 参考訳（メタデータ） (2023-04-10T03:55:35Z) - Abstract Visual Reasoning Enabled by Language [8.627180519837657]
ARCを解くための一般学習型フレームワークを提案する。
タスクをビジョンから言語領域に変換することに集中しています。
言語と視覚のこの構成により、各段階で事前訓練されたモデルを利用することができる。
論文 参考訳（メタデータ） (2023-03-07T17:52:46Z) - A User-Centred Framework for Explainable Artificial Intelligence in
Human-Robot Interaction [70.11080854486953]
本稿では,XAIのソーシャル・インタラクティブな側面に着目したユーザ中心型フレームワークを提案する。
このフレームワークは、エキスパートでないユーザのために考えられた対話型XAIソリューションのための構造を提供することを目的としている。
論文 参考訳（メタデータ） (2021-09-27T09:56:23Z) - Communicating Natural Programs to Humans and Machines [43.00640440047027]
ARC(Abstraction and Reasoning Corpus)は、エージェントが柔軟に新しい問題を解決する能力をテストする手続き的なタスクのセットである。
人間は汎用言語で容易に命令を生成・解釈するが、コンピュータシステムは狭いドメイン固有言語に分解される。
我々は、収集した命令を「自然プログラム」として分析し、それらがコンピュータプログラムに似ているが、2つの点で異なることを発見した。
論文 参考訳（メタデータ） (2021-06-15T01:05:04Z)
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。