論文の概要: AS2 -- Attention-Based Soft Answer Sets: An End-to-End Differentiable Neuro-Soft-Symbolic Reasoning Architecture
- arxiv url: http://arxiv.org/abs/2603.18436v1
- Date: Thu, 19 Mar 2026 02:51:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:05.931189
- Title: AS2 -- Attention-Based Soft Answer Sets: An End-to-End Differentiable Neuro-Soft-Symbolic Reasoning Architecture
- Title（参考訳）: AS2 -- 注意に基づくソフトアンサーセット: エンド・ツー・エンドの微分可能なニューロソフト・シンボリック推論アーキテクチャ
- Authors: Wael AbdAlmageed,
- Abstract要約: As2 (Attention-based Soft Answer Sets) は、離散解法をソフト近似に置き換える、微分可能なニューロシンボリックアーキテクチャである。
Visual Sudokuでは、AS2は1000のテストボードで99.89%の精度と100%の制約満足度を達成している。
これらの結果は、ソフトな微分可能な固定点演算子と制約認識の注意と宣言的制約仕様が組み合わさって、パイプラインと解法に基づくニューロシンボリックシステムとを一致または超えることを示した。
- 参考スコア（独自算出の注目度）: 13.507142458358333
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Neuro-symbolic artificial intelligence (AI) systems typically couple a neural perception module to a discrete symbolic solver through a non-differentiable boundary, preventing constraint-satisfaction feedback from reaching the perception encoder during training. We introduce AS2 (Attention-Based Soft Answer Sets), a fully differentiable neuro-symbolic architecture that replaces the discrete solver with a soft, continuous approximation of the Answer Set Programming (ASP) immediate consequence operator $T_P$. AS2 maintains per-position probability distributions over a finite symbol domain throughout the forward pass and trains end-to-end by minimizing the fixed-point residual of a probabilistic lift of $T_P$, thereby differentiating through the constraint check without invoking an external solver at either training or inference time. The architecture is entirely free of conventional positional embeddings. Instead, it encodes problem structure through constraint-group membership embeddings that directly reflect the declarative ASP specification, making the model agnostic to arbitrary position indexing. On Visual Sudoku, AS2 achieves 99.89% cell accuracy and 100% constraint satisfaction (verified by Clingo) across 1,000 test boards, using a greedy constrained decoding procedure that requires no external solver. On MNIST Addition with $N \in \{2, 4, 8\}$ addends, AS2 achieves digit accuracy above 99.7% across all scales. These results demonstrate that a soft differentiable fixpoint operator, combined with constraint-aware attention and declarative constraint specification, can match or exceed pipeline and solver-based neuro-symbolic systems while maintaining full end-to-end differentiability.
- Abstract（参考訳）: ニューロシンボリック人工知能(AI)システムは、通常、神経知覚モジュールと離散的シンボリック・ソルバを区別不可能な境界を通して結合し、トレーニング中に知覚エンコーダに到達するのを防ぐ。
As2 (Attention-Based Soft Answer Sets) は、離散解法をソフトで連続的なAnswer Set Programming (ASP) の帰結演算子$T_P$ に置き換える、完全微分可能なニューロシンボリックアーキテクチャである。
AS2は、フォワードパス全体を通して有限シンボル領域上の配置確率分布を維持し、確率リフトの固定点残差を$T_P$で最小化し、トレーニングまたは推論時に外部ソルバを呼び出すことなく制約チェックを介して微分する。
このアーキテクチャは、従来の位置埋め込みが完全に不要である。
代わりに、宣言的なASP仕様を直接反映する制約グループメンバシップの埋め込みを通じて問題構造をエンコードする。
Visual Sudokuでは、AS2は1000のテストボードで99.89%のセル精度と100%の制約満足度(クリンゴによる検証)を達成する。
$N \in \{2, 4, 8\}$ addends の MNIST 加算では、AS2 は全スケールで 99.7% 以上の桁精度を達成する。
これらの結果は、ソフトな微分可能な固定点演算子と制約対応の注意と宣言的制約仕様を組み合わせることで、完全なエンドツーエンドの微分性を維持しつつ、パイプラインと問題解決者に基づくニューロシンボリックシステムとを一致または超えることができることを示した。
関連論文リスト
- In-Context Symbolic Regression for Robustness-Improved Kolmogorov-Arnold Networks [3.7163623763519733]
シンボリック回帰は、ブラックボックス予測器を機械学習で検査および検証可能な分析式に置き換えることを目的としている。
Kolmogorov-Arnold Pursuit Networks (KANs) はこの目的に適している。
しかし、実際には記号抽出はボトルネックであり、標準のkan-to-symbolアプローチは各学習エッジ関数に微妙な分離で適合する。
論文 参考訳（メタデータ） (2026-03-16T13:21:26Z) - Learning with Boolean threshold functions [0.013714053458441644]
本研究では,各ノードの値が厳格に$pm 1$であるスパースデータ上でニューラルネットワークを訓練する手法を開発した。
様々なタスクにまたがって、この手法はニューラルネットワークの学習に有効で効率的な基礎を提供する。
論文 参考訳（メタデータ） (2026-02-19T16:07:25Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - G-CSEA: A Graph-Based Conflict Set Extraction Algorithm for Identifying Infeasibility in Pseudo-Boolean Models [0.5773629510985792]
一般的な診断手法は、未認識不実現サブセット(IIS)の計算である。
二変数上の不等式関係を持つ擬似ブール制約を用いて定式化されたモデルを考える。
提案手法は制約伝搬中に含意グラフを構築し,コンフリクトを検出すると,両決定枝にまたがるすべての制約をトレースする。
論文 参考訳（メタデータ） (2025-09-16T16:09:30Z) - $\ell_0$-Regularized Quadratic Surface Support Vector Machines [0.0]
カーネルフリーの二次曲面支持ベクトルマシンは、カーネル関数に依存することなく非線形決定境界をモデル化する柔軟性により、近年注目を集めている。
本稿では,モデルパラメータに濃度制約を課すことにより,QSVMのスパース変種を提案する。
我々は,いくつかの実世界のデータセットに対するアプローチを検証し,高い分類性能を維持しながらオーバーフィッティングを低減できることを実証した。
論文 参考訳（メタデータ） (2025-01-20T04:26:34Z) - On the Solvability of the {XOR} Problem by Spiking Neural Networks [0.46040036610482665]
線形分離不能なXOR問題とバイナリ論理ゲートを表す関連する問題を再考する。
この問題を例として,情報符号化などのハイパーパラメータの影響について検討する。
隠れた層に2つのニューロンしか持たない最小構成のスパース解を実現できることを示す。
論文 参考訳（メタデータ） (2024-08-11T19:01:39Z) - LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。
本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
論文 参考訳（メタデータ） (2024-07-18T22:05:21Z) - Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。
トラクタブル回路において,これを効率的に計算する方法を示す。
我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文 参考訳（メタデータ） (2023-02-28T00:04:22Z) - On the Forward Invariance of Neural ODEs [92.07281135902922]
本稿では,ニューラル常微分方程式(ODE)が出力仕様を満たすことを保証するための新しい手法を提案する。
提案手法では,出力仕様を学習システムのパラメータや入力の制約に変換するために,制御障壁関数のクラスを用いる。
論文 参考訳（メタデータ） (2022-10-10T15:18:28Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Semantic Probabilistic Layers for Neuro-Symbolic Learning [83.25785999205932]
我々は構造化出力予測(SOP)のための予測層を設計する。
予測が事前に定義されたシンボリック制約のセットと一致していることを保証するため、任意のニューラルネットワークにプラグインすることができる。
我々のセマンティック確率層(SPL)は、構造化された出力空間上で複雑な相関や制約をモデル化することができる。
論文 参考訳（メタデータ） (2022-06-01T12:02:38Z)
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。