論文の概要: A Neuro-Symbolic Framework for Reasoning under Perceptual Uncertainty: Bridging Continuous Perception and Discrete Symbolic Planning

• arxiv url: http://arxiv.org/abs/2511.14533v1
• Date: Tue, 18 Nov 2025 14:38:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.157138
• Title: A Neuro-Symbolic Framework for Reasoning under Perceptual Uncertainty: Bridging Continuous Perception and Discrete Symbolic Planning
• Title（参考訳）: 知覚不確かさ下での推論のためのニューロシンボリックな枠組み--連続知覚と離散的シンボリックプランニング
• Authors: Jiahao Wu, Shengwen Yu,
• Abstract要約: 本稿では,認識から計画への不確実性を明確にモデル化し,伝播するニューロシンボリックな枠組みを提案する。 具体的応用としてのテーブルトップロボット操作におけるフレームワークの有効性を実証する。
• 参考スコア（独自算出の注目度）: 1.9236465591431287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bridging continuous perceptual signals and discrete symbolic reasoning is a fundamental challenge in AI systems that must operate under uncertainty. We present a neuro-symbolic framework that explicitly models and propagates uncertainty from perception to planning, providing a principled connection between these two abstraction levels. Our approach couples a transformer-based perceptual front-end with graph neural network (GNN) relational reasoning to extract probabilistic symbolic states from visual observations, and an uncertainty-aware symbolic planner that actively gathers information when confidence is low. We demonstrate the framework's effectiveness on tabletop robotic manipulation as a concrete application: the translator processes 10,047 PyBullet-generated scenes (3--10 objects) and outputs probabilistic predicates with calibrated confidences (overall F1=0.68). When embedded in the planner, the system achieves 94\%/90\%/88\% success on Simple Stack, Deep Stack, and Clear+Stack benchmarks (90.7\% average), exceeding the strongest POMDP baseline by 10--14 points while planning within 15\,ms. A probabilistic graphical-model analysis establishes a quantitative link between calibrated uncertainty and planning convergence, providing theoretical guarantees that are validated empirically. The framework is general-purpose and can be applied to any domain requiring uncertainty-aware reasoning from perceptual input to symbolic planning.
• Abstract（参考訳）: 連続的な知覚信号と離散的な象徴的推論をブリッジすることは、不確実性の下で動作しなければならないAIシステムにおける根本的な課題である。 本稿では,知覚から計画への不確実性を明確にモデル化し,伝播するニューロシンボリック・フレームワークについて述べる。 提案手法では,確率的シンボル状態を視覚観測から抽出するグラフニューラルネットワーク(GNN)リレーショナル推論と,信頼度が低い場合に積極的に情報を収集する不確実性認識型シンボルプランナを併用する。 10,047個のPyBullet生成シーン(3～10個のオブジェクト)を処理し、キャリブレーションされた信頼度(F1=0.68以上)で確率予測を出力する。このシステムをプランナーに組み込むと、Simple Stack、Deep Stack、Clear+Stackベンチマーク(平均90.7倍)で94\%/90\%/88倍の成功を達成し、15～14ポイント以内の計画において最強のPOMDPベースラインを10～14ポイント超える。 確率論的グラフィカルモデル解析は、キャリブレーションされた不確実性と計画収束の間の定量的な関係を確立し、経験的に検証される理論的保証を提供する。 このフレームワークは汎用的であり、知覚的な入力から象徴的な計画への不確実性を考慮した推論を必要とするあらゆる領域に適用することができる。

関連論文リスト

• Foundation Models for Logistics: Toward Certifiable, Conversational Planning Interfaces [59.80143393787701]
  大規模言語モデル(LLM)は不確実性に対処し、導入障壁を低くしながら再計画の加速を約束する。 本稿では,自然言語対話のアクセシビリティと目標解釈の検証可能な保証とを組み合わせたニューロシンボリック・フレームワークを提案する。 わずか100個の不確実性フィルタで微調整された軽量モデルは、GPT-4.1のゼロショット性能を上回り、推論遅延を50%近く削減する。
  論文  参考訳（メタデータ） (2025-07-15T14:24:01Z)
• Discrete JEPA: Learning Discrete Token Representations without Reconstruction [23.6286989806018]
  認知知性の象徴的な基礎は、観測から隠れたパターンを抽出することにある。 本稿では,意味的トークン化による潜在予測符号化フレームワークであるDisdisrete-JEPAを提案する。 我々のアプローチは、人工知能システムにおける世界モデリングと計画能力の進歩に大きな影響を与えることを約束する。
  論文  参考訳（メタデータ） (2025-06-17T10:15:17Z)
• A Scalable Approach to Probabilistic Neuro-Symbolic Robustness Verification [14.558484523699748]
  我々はNeSy確率論的推論システムの堅牢性を正式に検証する問題に対処する。 コア計算の判定版が$mathrmNPmathrmPP$-completeであることを示す。 確率的NeSy系の近似的・緩和的検証のための最初の手法を提案する。
  論文  参考訳（メタデータ） (2025-02-05T15:29:41Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Interpretable Concept-Based Memory Reasoning [12.562474638728194]
  コンセプトベースのメモリリゾナー(CMR)は、人間に理解でき、検証可能なタスク予測プロセスを提供するために設計された新しいCBMである。 CMRは、最先端のCBMに対する精度-解釈可能性のトレードオフを向上し、基礎的な真実と整合した論理規則を発見し、規則の介入を可能にし、事前デプロイ検証を可能にする。
  論文  参考訳（メタデータ） (2024-07-22T10:32:48Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction [54.06292969184476]
  シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。 本手法では,論理文の正確な意味を捉える意味的損失を用いる。 低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-20T00:16:29Z)
• Symbolic Learning and Reasoning with Noisy Data for Probabilistic Anchoring [19.771392829416992]
  ボトムアップオブジェクトアンカーに基づくセマンティックワールドモデリング手法を提案する。 我々は、マルチモーダル確率分布を扱うためにアンカーの定義を拡張した。 我々は統計的リレーショナル・ラーニングを用いて、アンカーリング・フレームワークが記号的知識を学習できるようにする。
  論文  参考訳（メタデータ） (2020-02-24T16:58:00Z)

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。