論文の概要: Neuro-Symbolic Artificial Intelligence: A Task-Directed Survey in the Black-Box Models Era

• arxiv url: http://arxiv.org/abs/2603.03177v1
• Date: Tue, 03 Mar 2026 17:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.892119
• Title: Neuro-Symbolic Artificial Intelligence: A Task-Directed Survey in the Black-Box Models Era
• Title（参考訳）: ニューロシンボリック人工知能:ブラックボックス時代のタスク指向調査
• Authors: Giovanni Pio Delvecchio, Lorenzo Molfetta, Gianluca Moro,
• Abstract要約: 行動スキーマを推論または活用するためのNeuro-Symbolic(NeSy)メソッドの能力は、人間レベルの知能のプロキシの1つとして広く考えられてきた。 2017年の最後のAIブレークスルー以来のコネクショナリストシステムによる前例のない成果は、NeSyソリューションの競争力に関する疑問を提起している。 本研究では,NeSy領域におけるタスク固有の進歩を考察し,シンボリックシステムの導入によって説明可能性や推論能力が向上する方法について検討する。
• 参考スコア（独自算出の注目度）: 7.914166875416451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of symbolic computing with neural networks has intrigued researchers since the first theorizations of Artificial intelligence (AI). The ability of Neuro-Symbolic (NeSy) methods to infer or exploit behavioral schema has been widely considered as one of the possible proxies for human-level intelligence. However, the limited semantic generalizability and the challenges in declining complex domains with pre-defined patterns and rules hinder their practical implementation in real-world scenarios. The unprecedented results achieved by connectionist systems since the last AI breakthrough in 2017 have raised questions about the competitiveness of NeSy solutions, with particular emphasis on the Natural Language Processing and Computer Vision fields. This survey examines task-specific advancements in the NeSy domain to explore how incorporating symbolic systems can enhance explainability and reasoning capabilities. Our findings are meant to serve as a resource for researchers exploring explainable NeSy methodologies for real-life tasks and applications. Reproducibility details and in-depth comments on each surveyed research work are made available at https://github.com/disi-unibo-nlp/task-oriented-neuro-symbolic.git.
• Abstract（参考訳）: シンボリックコンピューティングとニューラルネットワークの統合は、人工知能(AI)の最初の理論化以来、研究者の興味を惹きつけてきた。 行動スキーマを推論または活用するためのNeuro-Symbolic(NeSy)メソッドの能力は、人間レベルの知能のプロキシの1つとして広く考えられてきた。 しかし、セマンティック・ジェネリザビリティの制限と、事前に定義されたパターンとルールを持つ複雑なドメインの減少による課題は、現実のシナリオにおける実践的な実装を妨げている。 2017年の最後のAIブレークスルー以来のコネクショナリストシステムによる前例のない成果は、NeSyソリューションの競争性、特に自然言語処理とコンピュータビジョンの分野に焦点を当てた疑問を提起している。 本研究では,NeSy領域におけるタスク固有の進歩を考察し,シンボリックシステムの導入によって説明可能性や推論能力が向上する方法について検討する。 本研究は, 実生活における課題と応用について, 説明可能なNeSy手法を探求するための資源として役立てることを目的としている。 それぞれの調査作業に関する再現性の詳細と詳細なコメントは、https://github.com/disi-unibo-nlp/task-oriented-neuro-symbolic.gitで公開されている。

関連論文リスト

• Mind Meets Space: Rethinking Agentic Spatial Intelligence from a Neuroscience-inspired Perspective [53.556348738917166]
  エージェントAIの最近の進歩は、自律的なタスク実行と言語に基づく推論が可能なシステムにつながっている。 人間の空間知能は、統合された多感覚知覚、空間記憶、認知マップに根ざし、非構造環境における柔軟でコンテキスト対応の意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-09-11T05:23:22Z)
• A Study on Neuro-Symbolic Artificial Intelligence: Healthcare Perspectives [2.5782420501870296]
  シンボリックAIは推論、説明可能性、知識表現に優れているが、ノイズのある複雑な現実世界のデータを処理する際の課題に直面している。 ニューラルネットワークにおけるディープラーニング(ブラックボックスシステム)の研究のブレークスルーは注目に値するが、推論と解釈性は欠如している。 ニューロシンボリックAI(NeSy)は、ニューラルネットワークに論理的推論を統合することによって、このギャップを埋めようとしている。
  論文  参考訳（メタデータ） (2025-03-23T21:33:38Z)
• Towards Efficient Neuro-Symbolic AI: From Workload Characterization to Hardware Architecture [22.274696991107206]
  ニューロシンボリックAIは、解釈可能性、堅牢性、信頼性を高めるニューラルネットワークとシンボリックアプローチを融合して、有望なパラダイムとして出現する。 最近のニューロシンボリックシステムは、推論と認知能力を備えた協調的な人間-AIシナリオにおいて大きな可能性を示している。 まず, ニューロシンボリックAIアルゴリズムを体系的に分類し, 実行時, メモリ, 計算演算子, 疎結合性, システム特性を実験的に評価し, 解析する。
  論文  参考訳（メタデータ） (2024-09-20T01:32:14Z)
• Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
  コネクショニストと象徴的人工知能(AI)の収束を探求する記事 従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。 大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-11T14:00:53Z)
• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• Towards Cognitive AI Systems: a Survey and Prospective on Neuro-Symbolic AI [33.0761784111292]
  ニューロシンボリックAIは、解釈可能性、堅牢性、信頼性を高めるための有望なパラダイムとして登場します。 近年のNSAIシステムは、推論と認知能力を備えた協調的な人間-AIシナリオにおいて大きな可能性を実証している。
  論文  参考訳（メタデータ） (2024-01-02T05:00:54Z)
• Brain-inspired Computational Intelligence via Predictive Coding [73.42407863671565]
  予測符号化(PC)は、機械学習コミュニティにとって潜在的に価値のある、有望な特性を示している。 PCライクなアルゴリズムは、機械学習とAIの複数のサブフィールドに存在し始めている。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
  ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
  論文  参考訳（メタデータ） (2022-10-28T04:38:10Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Neurosymbolic AI: The 3rd Wave [1.14219428942199]
  AIの信頼、安全性、解釈可能性、説明責任に関する懸念は、影響力のある思想家によって提起された。 多くは、知識表現と推論を深層学習に統合する必要性を認識している。 ニューラル・シンボリック・コンピューティングは、推論と説明可能性を備えた堅牢な学習をニューラルネットワークで組み合わせようとする研究の活発な領域である。
  論文  参考訳（メタデータ） (2020-12-10T18:31:38Z)

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。