論文の概要: Chimera: Neuro-Symbolic Attention Primitives for Trustworthy Dataplane Intelligence

• arxiv url: http://arxiv.org/abs/2602.12851v1
• Date: Fri, 13 Feb 2026 11:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.939769
• Title: Chimera: Neuro-Symbolic Attention Primitives for Trustworthy Dataplane Intelligence
• Title（参考訳）: Chimera: 信頼できるデータプレーンインテリジェンスのためのニューロシンボリック・アテンション・プリミティブ
• Authors: Rong Fu, Wenxin Zhang, Xiaowen Ma, Kun Liu, Wangyu Wu, Ziyu Kong, Jia Yee Tan, Tailong Luo, Xianda Li, Zeli Su, Youjin Wang, Yongtai Liu, Simon Fong,
• Abstract要約: Chimeraは、アテンション指向のニューラルネットワークとシンボリック制約をデータプレーンプリミティブにマッピングする、原則化されたフレームワークである。 本稿では、ハードウェアマッピング戦略であるChimeraアーキテクチャと、ニューロシンボリックアテンションプリミティブが高忠実性推論を達成できることを示す実証的エビデンスを示す。
• 参考スコア（独自算出の注目度）: 8.219324216403782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying expressive learning models directly on programmable dataplanes promises line-rate, low-latency traffic analysis but remains hindered by strict hardware constraints and the need for predictable, auditable behavior. Chimera introduces a principled framework that maps attention-oriented neural computations and symbolic constraints onto dataplane primitives, enabling trustworthy inference within the match-action pipeline. Chimera combines a kernelized, linearized attention approximation with a two-layer key-selection hierarchy and a cascade fusion mechanism that enforces hard symbolic guarantees while preserving neural expressivity. The design includes a hardware-aware mapping protocol and a two-timescale update scheme that together permit stable, line-rate operation under realistic dataplane budgets. The paper presents the Chimera architecture, a hardware mapping strategy, and empirical evidence showing that neuro-symbolic attention primitives can achieve high-fidelity inference within the resource envelope of commodity programmable switches.
• Abstract（参考訳）: プログラム可能なデータプレーンに直接表現力のある学習モデルをデプロイすることは、ラインレートで低レイテンシなトラフィック分析を約束するが、厳格なハードウェア制約と予測可能な監査可能な振る舞いの必要性によって妨げられている。 Chimera氏は、アテンション指向のニューラルネットワークとシンボリック制約をデータプレーンプリミティブにマッピングし、マッチアクションパイプライン内で信頼できる推論を可能にする、原則化されたフレームワークを紹介した。 キメラは、カーネル化され線形化された注意近似と、2層のキー選択階層と、神経表現性を維持しながらハードシンボリックな保証を強制するカスケード融合機構を組み合わせる。 この設計には、ハードウェア対応のマッピングプロトコルと、現実的なデータプレーン予算の下で安定したラインレート操作を可能にする2段階の更新スキームが含まれている。 本稿では,コモディティ・プログラム可能なスイッチのリソース・エンベロープ内で,ニューロシンボリック・アテンションプリミティブが高忠実な推論を達成できることを示す,ハードウェア・マッピング・ストラテジー,および実証的エビデンスを示す。

関連論文リスト

• Explainable Neural Inverse Kinematics for Obstacle-Aware Robotic Manipulation: A Comparative Analysis of IKNet Variants [0.28544513613730205]
  ディープニューラルネットワークは、低コストのマニピュレータが複雑な軌道をリアルタイムで実行できる地点まで、逆運動学(IK)推論を加速させた。 本研究では,Shapley値属性と物理に基づく障害物回避評価を統合した説明可能性中心ワークフローを提案する。
  論文  参考訳（メタデータ） (2025-12-29T09:02:02Z)
• Bridging Perception and Reasoning: Dual-Pipeline Neuro-Symbolic Landing for UAVs in Cluttered Environments [3.2786408034656858]
  NeuroSymLandは、非構造環境における自律着陸のためのニューロシンボリックフレームワークである。 これは、軽量基礎モデルの知覚的強みと象徴的推論の解釈可能性と検証可能性を組み合わせる。 NeuroSymLandは、最先端のベースラインに比べて高精度で、共変量シフトに対する強い堅牢性、効率性の向上を実現している。
  論文  参考訳（メタデータ） (2025-10-25T08:08:04Z)
• Bidirectional Representations Augmented Autoregressive Biological Sequence Generation:Application in De Novo Peptide Sequencing [51.12821379640881]
  自己回帰(AR)モデルは、全体的な双方向表現を提供するが、生成的コヒーレンスとスケーラビリティに関する課題に直面している。 非自己回帰機構からリッチなコンテキスト情報を動的に統合することにより、AR生成を向上するハイブリッドフレームワークを提案する。 新しいクロスデコーダアテンションモジュールにより、ARデコーダは、これらの双方向機能を反復的にクエリし、統合することができる。
  論文  参考訳（メタデータ） (2025-10-09T12:52:55Z)
• Mitigating Attention Hacking in Preference-Based Reward Modeling via Interaction Distillation [62.14692332209628]
  インタラクション蒸留(Interaction Distillation)は、注意レベル最適化によるより適切な嗜好モデリングのための新しいトレーニングフレームワークである。 最先端のRM最適化法と比較して、より安定で一般化可能な報酬信号を提供する。
  論文  参考訳（メタデータ） (2025-08-04T17:06:23Z)
• Scalable Machine Learning Algorithms using Path Signatures [4.441866681085518]
  この論文は、スケーラブルな機械学習パイプラインにおいて、パスシグネチャの表現力を利用する方法を研究する。 理論的ロバスト性と計算効率を組み合わせ、粗い経路理論と確率論的モデリング、ディープラーニング、カーネルメソッドをブリッジする一連のモデルを導入している。
  論文  参考訳（メタデータ） (2025-06-21T08:36:34Z)
• SA-GAT-SR: Self-Adaptable Graph Attention Networks with Symbolic Regression for high-fidelity material property prediction [1.4403769872061323]
  我々はシンボリック回帰(SA-GAT-SR)と統合された新しい計算パラダイムである自己適応型グラフ注意ネットワークを導入する。 本フレームワークでは,注目重みを自動的に識別・調整する自己適応型符号化アルゴリズムを用いて,拡張可能な180次元特徴空間から重要な特徴をスクリーニングする。 その後、統合SRモジュールはこれらの特徴をコンパクトな解析式に蒸留し、量子力学的に意味のある関係を明確に示す。
  論文  参考訳（メタデータ） (2025-05-01T16:05:10Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
  選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。 このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。 A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
  論文  参考訳（メタデータ） (2021-10-26T17:39:18Z)
• Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
  本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。 構造化されたマルチスケール機能学習と融合。 本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2021-01-08T04:14:29Z)

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。