論文の概要: Neural-Symbolic Integration with Evolvable Policies

• arxiv url: http://arxiv.org/abs/2601.04799v1
• Date: Thu, 08 Jan 2026 10:29:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.158762
• Title: Neural-Symbolic Integration with Evolvable Policies
• Title（参考訳）: 進化可能なポリシによるニューラル・シンボリックな統合
• Authors: Marios Thoma, Vassilis Vassiliades, Loizos Michael,
• Abstract要約: Neural-Symbolic (NeSy) Artificial Intelligenceは、ニューラルネットワークの学習能力とシンボルシステムの解釈可能な推論を組み合わせるための有望なアプローチとして登場した。 本稿では,非微分不可能なシンボルポリシーとニューラルネットワーク重みの同時学習を実現するフレームワークを提案する。 空のポリシーとランダムなニューラルウェイトから始まるNeSyシステムは、隠れた非微分可能なターゲットポリシーをうまく近似できることを実証する。
• 参考スコア（独自算出の注目度）: 2.7324257854160465
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Neural-Symbolic (NeSy) Artificial Intelligence has emerged as a promising approach for combining the learning capabilities of neural networks with the interpretable reasoning of symbolic systems. However, existing NeSy frameworks typically require either predefined symbolic policies or policies that are differentiable, limiting their applicability when domain expertise is unavailable or when policies are inherently non-differentiable. We propose a framework that addresses this limitation by enabling the concurrent learning of both non-differentiable symbolic policies and neural network weights through an evolutionary process. Our approach casts NeSy systems as organisms in a population that evolve through mutations (both symbolic rule additions and neural weight changes), with fitness-based selection guiding convergence toward hidden target policies. The framework extends the NEUROLOG architecture to make symbolic policies trainable, adapts Valiant's Evolvability framework to the NeSy context, and employs Machine Coaching semantics for mutable symbolic representations. Neural networks are trained through abductive reasoning from the symbolic component, eliminating differentiability requirements. Through extensive experimentation, we demonstrate that NeSy systems starting with empty policies and random neural weights can successfully approximate hidden non-differentiable target policies, achieving median correct performance approaching 100%. This work represents a step toward enabling NeSy research in domains where the acquisition of symbolic knowledge from experts is challenging or infeasible.
• Abstract（参考訳）: Neural-Symbolic (NeSy) Artificial Intelligenceは、ニューラルネットワークの学習能力とシンボルシステムの解釈可能な推論を組み合わせるための有望なアプローチとして登場した。 しかし、既存のNeSyフレームワークは一般的に、定義済みの象徴的なポリシーまたは異なるポリシーを必要とし、ドメインの専門知識が利用できない場合や、ポリシーが本質的に差別化できない場合は適用性を制限する。 本稿では,この制限に対処するフレームワークを提案する。進化過程を通じて,非微分不可能なシンボルポリシーとニューラルネットワーク重みの同時学習を可能にする。 我々のアプローチでは、NeSyシステムは突然変異(象徴的な規則の追加とニューラルウェイトの変化)を通じて進化する集団の有機体であり、フィットネスベースの選択は、隠れたターゲットポリシーへの収束を導く。 このフレームワークは、NEUROLOGアーキテクチャを拡張して、シンボルポリシーをトレーニング可能とし、ValiantのEvolvabilityフレームワークをNeSyコンテキストに適用し、変更可能なシンボル表現にマシンコーチングセマンティクスを使用する。 ニューラルネットワークは、シンボリックコンポーネントからの帰納的推論を通じて訓練され、微分可能性の要件が排除される。 広汎な実験により、空のポリシーとランダムなニューラルウェイトから始まるNeSyシステムは、隠れた非微分不可能なターゲットポリシーをうまく近似し、100%の正当性を達成することができることを示した。 この研究は、専門家からの象徴的知識の獲得が困難または不可能な領域において、NeSyの研究を可能にするための一歩である。

関連論文リスト

• Why Neural Network Can Discover Symbolic Structures with Gradient-based Training: An Algebraic and Geometric Foundation for Neurosymbolic Reasoning [73.18052192964349]
  我々は、連続的なニューラルネットワークトレーニングのダイナミックスから、離散的なシンボル構造が自然に現れるかを説明する理論的枠組みを開発する。 ニューラルパラメータを測度空間に上げ、ワッサーシュタイン勾配流としてモデル化することにより、幾何的制約の下では、パラメータ測度 $mu_t$ が2つの同時現象となることを示す。
  論文  参考訳（メタデータ） (2025-06-26T22:40:30Z)
• Neural DNF-MT: A Neuro-symbolic Approach for Learning Interpretable and Editable Policies [51.03989561425833]
  本稿では、エンドツーエンドポリシー学習のためのニューラルDNF-MTと呼ばれるニューラルシンボリックアプローチを提案する。 ニューラルDNF-MTモデルの微分可能な性質は、訓練にディープアクター批判アルゴリズムを使用することを可能にする。 決定論的ポリシーの2値表現をどのように編集し、ニューラルモデルに組み込むかを示す。
  論文  参考訳（メタデータ） (2025-01-07T15:51:49Z)
• BlendRL: A Framework for Merging Symbolic and Neural Policy Learning [23.854830898003726]
  BlendRLは、論理とニューラルポリシーの混合を使用するRLエージェントに両方のパラダイムを統合する、ニューラルシンボリックなRLフレームワークである。 我々は,BlendRLエージェントが標準アタリ環境において,ニューラルベースラインとシンボリックベースラインの両方より優れていることを実証的に実証した。 ニューラルポリシーとシンボリックポリシーの相互作用を分析し、それらのハイブリッド利用がエージェントの制限を克服するのにどのように役立つかを説明する。
  論文  参考訳（メタデータ） (2024-10-15T15:24:20Z)
• Interpretable and Explainable Logical Policies via Neurally Guided Symbolic Abstraction [23.552659248243806]
  ニューラルgUided Differentiable loGic policiEs (NUDGE)を紹介する。 NUDGEは、トレーニングされたニューラルネットワークベースのエージェントを使用して、候補重み付けされたロジックルールの探索をガイドし、差別化可能なロジックを使用してロジックエージェントをトレーニングする。 実験により, NUDGEエージェントは, 純粋に神経性に優れ, 初期状態や問題の大きさの異なる環境に対して良好な柔軟性を示しながら, 解釈可能かつ説明可能なポリシーを誘導できることを示した。
  論文  参考訳（メタデータ） (2023-06-02T10:59:44Z)
• Extensions to Generalized Annotated Logic and an Equivalent Neural Architecture [4.855957436171202]
  本稿では,ニューロシンボリックシステムに対する望ましい基準のリストを提案し,既存のアプローチのいくつかがこれらの基準にどう対処するかを検討する。 次に、等価なニューラルアーキテクチャの作成を可能にするアノテーション付き一般化論理の拡張を提案する。 トレーニングプロセスの継続的な最適化に依存する従来のアプローチとは異なり、当社のフレームワークは、離散最適化を使用する二項化ニューラルネットワークとして設計されている。
  論文  参考訳（メタデータ） (2023-02-23T17:39:46Z)
• Knowledge-based Analogical Reasoning in Neuro-symbolic Latent Spaces [20.260546238369205]
  ニューラルネットワークのパターン認識能力とシンボリック推論と背景知識を組み合わせたフレームワークを提案する。 ニューラルアルゴリズム推論」アプローチ [DeepMind 2020] からインスピレーションを得て、問題固有のバックグラウンド知識を使用します。 我々は、RAVENのプログレッシブ・マトリクスにおける視覚的類似性の問題でこれを検証し、人間のパフォーマンスと競合する精度を実現する。
  論文  参考訳（メタデータ） (2022-09-19T04:03:20Z)

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。