論文の概要: Reactive Knowledge Representation and Asynchronous Reasoning

• arxiv url: http://arxiv.org/abs/2602.05625v1
• Date: Thu, 05 Feb 2026 13:02:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.933631
• Title: Reactive Knowledge Representation and Asynchronous Reasoning
• Title（参考訳）: リアクティブな知識表現と非同期推論
• Authors: Simon Kohaut, Benedict Flade, Julian Eggert, Kristian Kersting, Devendra Singh Dhami,
• Abstract要約: 複素確率モデルにおける厳密な推論は、しばしば禁止的な計算コストを引き起こす。 既存の手法は、どの変更でもモデル全体を再評価するため、継続する推論には非効率であることが多い。 まず、確率論的論理とリアクティブプログラミングを融合した確率論的プログラミング言語であるRetinを紹介します。 レジンの効率的かつ正確なセマンティクスを提供するために,反応回路(RC)を提案する。 高忠実度ドローン群シミュレーションにおいて,本手法は周波数非依存推論よりも数桁の高速化を実現する。
• 参考スコア（独自算出の注目度）: 35.58961985804191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exact inference in complex probabilistic models often incurs prohibitive computational costs. This challenge is particularly acute for autonomous agents in dynamic environments that require frequent, real-time belief updates. Existing methods are often inefficient for ongoing reasoning, as they re-evaluate the entire model upon any change, failing to exploit that real-world information streams have heterogeneous update rates. To address this, we approach the problem from a reactive, asynchronous, probabilistic reasoning perspective. We first introduce Resin (Reactive Signal Inference), a probabilistic programming language that merges probabilistic logic with reactive programming. Furthermore, to provide efficient and exact semantics for Resin, we propose Reactive Circuits (RCs). Formulated as a meta-structure over Algebraic Circuits and asynchronous data streams, RCs are time-dynamic Directed Acyclic Graphs that autonomously adapt themselves based on the volatility of input signals. In high-fidelity drone swarm simulations, our approach achieves several orders of magnitude of speedup over frequency-agnostic inference. We demonstrate that RCs' structural adaptations successfully capture environmental dynamics, significantly reducing latency and facilitating reactive real-time reasoning. By partitioning computations based on the estimated Frequency of Change in the asynchronous inputs, large inference tasks can be decomposed into individually memoized sub-problems. This ensures that only the specific components of a model affected by new information are re-evaluated, drastically reducing redundant computation in streaming contexts.
• Abstract（参考訳）: 複素確率モデルにおける厳密な推論は、しばしば禁止的な計算コストを引き起こす。 この課題は、頻繁でリアルタイムな信念更新を必要とする動的環境における自律エージェントにとって特に深刻である。 既存の手法は、どの変更でもモデル全体を再評価し、実世界の情報ストリームが異質な更新率を持つことを悪用しないため、継続的な推論では非効率であることが多い。 この問題に対処するため、リアクティブで非同期で確率論的な推論の観点から、この問題にアプローチします。 まず、確率論的論理とリアクティブプログラミングを融合した確率論的プログラミング言語であるRetin(Reactive Signal Inference)を紹介する。 さらに,レジンの効率的かつ正確なセマンティクスを提供するために,反応回路(RC)を提案する。 代数回路と非同期データストリームのメタ構造として表されるRCは、入力信号のボラティリティに基づいて自己適応する時間力学的非巡回グラフである。 高忠実度ドローン群シミュレーションにおいて,本手法は周波数非依存推論よりも数桁の高速化を実現する。 RCの構造的適応が環境力学を捉えることに成功し、レイテンシを大幅に低減し、リアクティブなリアルタイム推論を容易にすることを実証した。 非同期入力における変化頻度の推定に基づいて計算を分割することにより、大きな推論タスクを個別にメモ化されたサブプロブレムに分解することができる。 これにより、新しい情報に影響されたモデルの特定のコンポーネントのみが再評価され、ストリーミングコンテキストにおける冗長な計算が大幅に削減される。

関連論文リスト

• ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series [32.21736212737614]
  本稿では, 金融, 医療, 気候科学などの高度領域における不規則サンプル時系列における因果発見について検討する。 ReTimeCausalは,物理誘導型データ計算と疎因性推論を統一する付加雑音モデル(ANM)と期待最大化(EM)の新たな統合である。
  論文  参考訳（メタデータ） (2025-07-04T05:39:50Z)
• Never Reset Again: A Mathematical Framework for Continual Inference in Recurrent Neural Networks [2.1838661321884443]
  リカレントニューラルネットワーク(RNN)はシーケンシャルな処理に広く用いられているが、状態飽和による連続推論による制限に直面している。 本稿では,拡張シーケンスの精度を保ちつつ,推論中のリセットの必要性を解消する適応的損失関数を提案する。
  論文  参考訳（メタデータ） (2024-12-20T15:24:28Z)
• ReCycle: Fast and Efficient Long Time Series Forecasting with Residual Cyclic Transformers [0.06965384453064827]
  ReCycleと呼ばれるResidual Cyclic Transformerは、ハイメソッドの複雑さとリアルな計算リソースのギャップを埋める。 提案手法は,低性能,低消費電力,エッジコンピューティングデバイス上でのトレーニングと推論を両立させることにより,実行時間とエネルギー消費を1桁以上削減する。
  論文  参考訳（メタデータ） (2024-05-06T12:48:34Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers [20.784780497613557]
  状態進化をIPPによって直接近似できる連続プロセスを用いて、時系列を純粋にモデル化することを提案する。 これにより、リカレント計算が不要になり、複数の状態が並列に進化することが可能になる。 実世界の3つのデータセットの実験から,提案手法は先進国を体系的に上回り,最先端の結果が得られ,データ効率の面で大きな優位性を持つことが示された。
  論文  参考訳（メタデータ） (2023-05-11T11:53:31Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)

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。