論文の概要: Bayesian-Symbolic Integration for Uncertainty-Aware Parking Prediction

• arxiv url: http://arxiv.org/abs/2603.27119v1
• Date: Sat, 28 Mar 2026 04:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.797089
• Title: Bayesian-Symbolic Integration for Uncertainty-Aware Parking Prediction
• Title（参考訳）: 不確実性を考慮した駐車予測のためのベイズ・シンボリック統合
• Authors: Alireza Nezhadettehad, Arkady Zaslavsky, Abdur Rakib, Seng W. Loke,
• Abstract要約: 本研究では,ベイズニューラルネットワーク(BNN)とシンボル推論を統合し,不確実な環境での堅牢性を高める緩やかな結合型ニューロシンボリック・フレームワークを提案する。 BNNは予測の不確実性を定量化し、決定木から抽出され確率論的論理プログラミングを用いて符号化された記号的知識を利用する。 本研究は, 実世界の駐車データについて, フル, スパース, ノイズの両面から評価する。
• 参考スコア（独自算出の注目度）: 1.8759305308855918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate parking availability prediction is critical for intelligent transportation systems, but real-world deployments often face data sparsity, noise, and unpredictable changes. Addressing these challenges requires models that are not only accurate but also uncertainty-aware. In this work, we propose a loosely coupled neuro-symbolic framework that integrates Bayesian Neural Networks (BNNs) with symbolic reasoning to enhance robustness in uncertain environments. BNNs quantify predictive uncertainty, while symbolic knowledge extracted via decision trees and encoded using probabilistic logic programming is leveraged in two hybrid strategies: (1) using symbolic reasoning as a fallback when BNN confidence is low, and (2) refining output classes based on symbolic constraints before reapplying the BNN. We evaluate both strategies on real-world parking data under full, sparse, and noisy conditions. Results demonstrate that both hybrid methods outperform symbolic reasoning alone, and the context-refinement strategy consistently exceeds the performance of Long Short-Term Memory (LSTM) networks and BNN baselines across all prediction windows. Our findings highlight the potential of modular neuro-symbolic integration in real-world, uncertainty-prone prediction tasks.
• Abstract（参考訳）: 正確な駐車状況の予測はインテリジェントな交通システムにとって重要であるが、現実の展開は、しばしばデータ空間、ノイズ、予測不可能な変更に直面している。 これらの課題に対処するには、正確であるだけでなく、不確実性を認識したモデルが必要である。 本研究では、ベイズニューラルネットワーク(BNN)と記号推論を統合し、不確実な環境における堅牢性を高める緩やかな結合型ニューロシンボリック・フレームワークを提案する。 BNNは予測の不確実性を定量化し, 決定木を用いて抽出し, 確率論的論理プログラミングを用いて符号化した記号的知識は, 1) BNNの信頼度が低いときのフォールバックとして記号的推論を用いること, 2) BNNの再適用前に記号的制約に基づいて出力クラスを精製することの2つのハイブリッド戦略で活用する。 本研究は, 実世界の駐車データについて, フル, スパース, ノイズの両面から評価する。 その結果、両者のハイブリッド手法はシンボリック推論よりも優れており、コンテキスト制限戦略は予測ウィンドウ全体の長短メモリ(LSTM)ネットワークとBNNベースラインの性能を常に上回っていることがわかった。 実世界の不確実性予測タスクにおけるモジュール型ニューロシンボリック統合の可能性を明らかにする。

関連論文リスト

• Uncertainty-Aware Graph Neural Networks: A Multi-Hop Evidence Fusion Approach [55.43914153271912]
  グラフニューラルネットワーク(GNN)は、グラフ構造とノード機能を統合することにより、グラフ表現学習に優れる。 既存のGNNでは、モデルの深さによって異なるクラス確率の不確実性を考慮することができず、現実のシナリオでは信頼できない、リスクの高い予測が生じる。 本稿では,信頼に値する予測を達成し,ノード分類精度を高め,誤予測のリスクを明らかにするために,新しいEvidence Fusing Graph Neural Network (EFGNN)を提案する。
  論文  参考訳（メタデータ） (2025-06-16T03:59:38Z)
• Neurosymbolic AI for Travel Demand Prediction: Integrating Decision Tree Rules into Neural Networks [21.445133878049333]
  本研究では、決定木(DT)に基づくシンボルルールとニューラルネットワーク(NN)を統合し、旅行需要を予測するニューロシンボリック人工知能(Neurosymbolic AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-02T05:10:31Z)
• Uncertainty in Graph Neural Networks: A Survey [47.785948021510535]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
  物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。 本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。 クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
  論文  参考訳（メタデータ） (2023-11-04T19:40:16Z)
• Adversarial Robustness Certification for Bayesian Neural Networks [22.71265211510824]
  逆入力摂動に対するベイズニューラルネットワーク(BNN)の計算の堅牢性検証問題について検討する。 本フレームワークは, 重み付け, 積分, および有界伝搬技術に基づいており, 多数のパラメータを持つBNNに適用可能である。
  論文  参考訳（メタデータ） (2023-06-23T16:58:25Z)
• 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)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)

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。