論文の概要: Recursive Inference Machines for Neural Reasoning

• arxiv url: http://arxiv.org/abs/2603.05234v1
• Date: Thu, 05 Mar 2026 14:51:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.278394
• Title: Recursive Inference Machines for Neural Reasoning
• Title（参考訳）: ニューラル推論のための再帰推論装置
• Authors: Mieszko Komisarczyk, Saurabh Mathur, Maurice Kraus, Sriraam Natarajan, Kristian Kersting,
• Abstract要約: Tiny Recursive Models (TRM) は、神経バックボーンと特殊な推論スキームを組み合わせることで複雑な問題を解決する。 本稿では,古典推論エンジンにインスパイアされた推論機構を明示的に組み込んだニューラルネットワーク推論フレームワークであるRIM(Recursive Inference Machines)を紹介する。 RIM が RIM のインスタンスとして表現可能であることを示し、それを再重み付けコンポーネントによって拡張することで、挑戦的な推論ベンチマークのパフォーマンスが向上することを示した。
• 参考スコア（独自算出の注目度）: 35.34976827154068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural reasoners such as Tiny Recursive Models (TRMs) solve complex problems by combining neural backbones with specialized inference schemes. Such inference schemes have been a central component of stochastic reasoning systems, where inference rules are applied to a stochastic model to derive answers to complex queries. In this work, we bridge these two paradigms by introducing Recursive Inference Machines (RIMs), a neural reasoning framework that explicitly incorporates recursive inference mechanisms inspired by classical inference engines. We show that TRMs can be expressed as an instance of RIMs, allowing us to extend them through a reweighting component, yielding better performance on challenging reasoning benchmarks, including ARC-AGI-1, ARC-AGI-2, and Sudoku Extreme. Furthermore, we show that RIMs can be used to improve reasoning on other tasks, such as the classification of tabular data, outperforming TabPFNs.
• Abstract（参考訳）: Tiny Recursive Models (TRMs)のようなニューラル推論器は、神経バックボーンと特殊な推論スキームを組み合わせることで複雑な問題を解決する。 このような推論スキームは確率的推論システムの中心的な要素であり、推論規則を確率的モデルに適用して複雑なクエリに対する答えを導出する。 本研究では、古典推論エンジンにインスパイアされた再帰推論機構を明示的に組み込んだニューラルネットワーク推論フレームワークであるRIM(Recursive Inference Machines)を導入することにより、これらの2つのパラダイムを橋渡しする。 我々は, TRMをRIMのインスタンスとして表現できることを示し, 再重み付けコンポーネントによる拡張を可能にし, ARC-AGI-1, ARC-AGI-2, Sudoku Extremeなど, 挑戦的推論ベンチマークの性能向上を図っている。 さらに,表型データの分類やTabPFNの性能向上など,他のタスクの推論を改善するためにRIMが使用できることを示す。

関連論文リスト

• Tab-TRM: Tiny Recursive Model for Insurance Pricing on Tabular Data [0.0]
  Tab-TRMは、Tiny Recursive Models(TRM)の潜在的推論パラダイムを保険モデリングに適用するネットワークアーキテクチャである。 2つの学習可能な潜在トークン – 応答トークンと推論状態 – は,コンパクトでパラメータ効率のよいネットワークによって反復的に洗練されている。
  論文  参考訳（メタデータ） (2026-01-12T16:01:49Z)
• Adversarial Yet Cooperative: Multi-Perspective Reasoning in Retrieved-Augmented Language Models [72.4149653187766]
  本稿ではAdrialversa Reasoning RAG(ARR)というReasoner-Verifierフレームワークを提案する。 ReasonerとVerifierは、回収された証拠を推論し、プロセス認識の利点によってガイドされながら、互いの論理を批判する。 複数のベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-08T06:57:03Z)
• Beyond Turing: Memory-Amortized Inference as a Foundation for Cognitive Computation [5.234742752529437]
  本稿では,メモリの潜時サイクル上での認識を推論としてモデル化する形式的フレームワークとして,メモリ記憶推論(MAI)を紹介した。 我々は,MAIがMountcastleのUniversal Cortical Algorithmの基本的な基盤を提供することを示す。 人工知能の実現にMAIが与える深い影響について,簡潔に論じる。
  論文  参考訳（メタデータ） (2025-08-19T15:10:26Z)
• MCTS-RAG: Enhancing Retrieval-Augmented Generation with Monte Carlo Tree Search [61.11836311160951]
  本稿では,知識集約型タスクにおける小言語モデルの推論能力を高める新しいアプローチであるMCTS-RAGを紹介する。 通常、推論から独立して情報を取得する標準的なRAG法とは異なり、MCTS-RAGは構造化推論と適応的検索を組み合わせる。 この統合されたアプローチは意思決定を強化し、幻覚を減らし、事実の正確性と応答の整合性を向上させる。
  論文  参考訳（メタデータ） (2025-03-26T17:46:08Z)
• Learning Fair and Preferable Allocations through Neural Network [24.15688619889342]
  我々は、専門家の知識を複製することで、優れた特性を厳密に満たすメカニズムを設計することを目指している。 形式的アルゴリズムは望ましい結果を見つけるのに苦労し、これらの暗黙の規則を直接複製することは不公平な割り当てをもたらす。 我々は、RRをパラメータ化し、RRに使用するエージェント注文を学習できるようにトレーニングできるニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2024-10-23T01:47:55Z)
• On the Diagram of Thought [20.805936414171892]
  大規模言語モデル(LLM)は多くのタスクで優れているが、構造化された多段階の推論を必要とする複雑な問題に悩まされることが多い。 思考のダイアグラム(Diagram of Thought, DoT)は、1つのLCMがその推論のメンタルマップを構築し、ナビゲートすることを可能にする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-09-16T07:01:41Z)
• Understanding the Language Model to Solve the Symbolic Multi-Step Reasoning Problem from the Perspective of Buffer Mechanism [68.05754701230039]
  本研究では,トランスフォーマーモデルにおける情報伝達機構を解明するために,シンボル的多段階推論タスクを構築する。 モデルの推論能力を高めるために,ランダムな行列に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-24T07:41:26Z)
• Compositional Probabilistic and Causal Inference using Tractable Circuit Models [20.07977560803858]
  我々は、構造化分解可能なPCにおける(マルジナル)決定性の新規な定式化であるmd-vtreesを紹介する。 我々は,PC上でのバックドア調整などの因果推論クエリに対して,最初のpolytimeアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2023-04-17T13:48:16Z)
• Neural-Symbolic Recursive Machine for Systematic Generalization [113.22455566135757]
  我々は、基底記号システム(GSS)のコアとなるニューラル・シンボリック再帰機械(NSR)を紹介する。 NSRは神経知覚、構文解析、意味推論を統合している。 我々はNSRの有効性を,系統的一般化能力の探索を目的とした4つの挑戦的ベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-10-04T13:27:38Z)
• Bayesian Recurrent Units and the Forward-Backward Algorithm [91.39701446828144]
  ベイズの定理を用いることで、ユニットワイド・リカレンスとフォワード・バックワードアルゴリズムに類似した後方再帰を導出する。 その結果得られたベイジアン再帰ユニットは、ディープラーニングフレームワーク内で再帰ニューラルネットワークとして統合することができる。 音声認識の実験は、最先端の繰り返しアーキテクチャの最後に派生したユニットを追加することで、訓練可能なパラメータの点で非常に低コストで性能を向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-07-21T14:00:52Z)

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。