論文の概要: World2Rules: A Neuro-Symbolic Framework for Learning World-Governing Safety Rules for Aviation
- arxiv url: http://arxiv.org/abs/2603.28952v1
- Date: Mon, 30 Mar 2026 19:48:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:02.755515
- Title: World2Rules: A Neuro-Symbolic Framework for Learning World-Governing Safety Rules for Aviation
- Title（参考訳）: World2Rules: 航空の安全ルールを学習するニューロシンボリックフレームワーク
- Authors: Haichuan Wang, Jay Patrikar, Sebastian Scherer,
- Abstract要約: 我々は、現実世界の航空データから世界の安全ルールを学習するための、ニューロシンボリックなフレームワークWorld2Rulesを紹介する。
World2Rulesは、名目上の運用データと航空事故、インシデントレポートの両方から学ぶ。
純粋な神経系よりも23.6%高いF1スコア、シングルパス神経シンボルベースラインよりも43.2%高いF1スコアを達成するためのルールを学習していることを示す。
- 参考スコア（独自算出の注目度）: 3.73214005593672
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many real-world safety-critical systems are governed by explicit rules that define unsafe world configurations and constrain agent interactions. In practice, these rules are complex and context-dependent, making manual specification incomplete and error-prone. Learning such rules from real-world multimodal data is further challenged by noise, inconsistency, and sparse failure cases. Neural models can extract structure from text and visual data but lack formal guarantees, while symbolic methods provide verifiability yet are brittle when applied directly to imperfect observations. We present World2Rules, a neuro-symbolic framework for learning world-governing safety rules from real-world multimodal aviation data. World2Rules learns from both nominal operational data and aviation crash and incident reports, treating neural models as proposal mechanisms for candidate symbolic facts and inductive logic programming as a verification layer. The framework employs hierarchical reflective reasoning, enforcing consistency across examples, subsets, and rules to filter unreliable evidence, aggregate only mutually consistent components, and prune unsupported hypotheses. This design limits error propagation from noisy neural extractions and yields compact, interpretable first-order logic rules that characterize unsafe world configurations. We evaluate World2Rules on real-world aviation safety data and show that it learns rules that achieve 23.6% higher F1 score than purely neural and 43.2% higher F1 score than single-pass neuro-symbolic baseline, while remaining suitable for safety-critical reasoning and formal analysis.
- Abstract（参考訳）: 多くの現実世界の安全クリティカルシステムは、安全でない世界構成と制約エージェントの相互作用を定義する明示的な規則によって管理されている。
実際には、これらのルールは複雑でコンテキストに依存しており、手動の仕様が不完全でエラーを起こしやすい。
実世界のマルチモーダルデータからそのようなルールを学ぶことは、ノイズ、不整合、スパース障害ケースによってさらに挑戦される。
ニューラルネットワークはテキストや視覚データから構造を抽出できるが、正式な保証がない。
We present World2Rules, a neuro-symbolic framework for learning world-governing safety rules from real-world multi-modal Aviation data。
World2Rulesは、名目上の運用データと航空事故とインシデントレポートの両方から学び、ニューラルネットワークを候補シンボル事実の提案メカニズムとして扱い、帰納的論理プログラミングを検証層として扱う。
このフレームワークでは、階層的な反射的推論、例、サブセット、ルール間の一貫性の強制、信頼できない証拠のフィルタリング、相互に一貫したコンポーネントのみの集約、そして不明確な仮説が採用されている。
この設計は、ノイズの多いニューラル抽出からエラーの伝搬を制限し、安全でない世界構成を特徴づけるコンパクトで解釈可能な一階述語論理規則を与える。
我々は、現実世界の航空安全データに基づいてWorld2Rulesを評価し、それが純粋に神経性よりも23.6%高いF1スコア、単一パスの神経シンボルベースラインよりも43.2%高いF1スコアを達成するルールを学習し、安全クリティカルな推論と形式解析に適していることを示す。
関連論文リスト
- ManipArena: Comprehensive Real-world Evaluation of Reasoning-Oriented Generalist Robot Manipulation [66.02142169323521]
Vision-Language-ActionモデルとWorld Modelは最近、汎用ロボットインテリジェンスのための有望なパラダイムとして登場した。
既存のベンチマークは、主にシミュレータ中心であり、制御性を提供するが、知覚ノイズによって引き起こされる現実のギャップを捉えることができない。
シミュレーションと実世界の実行を橋渡しする標準化された評価フレームワークであるManipArenaを紹介する。
論文 参考訳（メタデータ） (2026-03-30T15:06:41Z) - Right in Time: Reactive Reasoning in Regulated Traffic Spaces [35.58961985804191]
本研究では,不確実な環境データと宣言的かつ論理的な交通規制を共同で検討する,リアクティブなミッション設計フレームワークを提案する。
当社のアプローチは,リアクティブパラダイムを使わずに,ProMis上での大幅なスピードアップを実現しています。
論文 参考訳（メタデータ） (2026-03-04T12:18:36Z) - Unsupervised Learning for Detection of Rare Driving Scenarios [1.5399429731150376]
本研究では,まれかつ極端な運転シナリオを検出するための教師なし学習フレームワークについて検討する。
我々は最近提案されたディープ・アイソレーション・フォレスト(DIF)を利用して、非線形および複雑な異常を識別する。
提案手法は, 稀かつ有害な運転シナリオを効果的に同定できることを示す。
論文 参考訳（メタデータ） (2025-12-29T16:35:20Z) - 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) - NASP-T: A Fuzzy Neuro-Symbolic Transformer for Logic-Constrained Aviation Safety Report Classification [0.0]
本稿では, 航空安全報告システム(ASRS)コーパス上でのトランスフォーマーに基づく学習と, ASP(Answer Set Programming)を統合したハイブリッド型ニューロシンボリックフレームワークを提案する。
提案手法は, マイクロF1スコアとマクロF1スコアを改善し, ASRSテストセットのルール違反を最大86%低減する。
論文 参考訳（メタデータ） (2025-10-06T23:33:09Z) - Advancing Neural Network Verification through Hierarchical Safety Abstract Interpretation [52.626086874715284]
我々は、安全でない出力の階層構造を検証する抽象的DNN検証と呼ばれる新しい問題定式化を導入する。
出力到達可能な集合に関する抽象的解釈と推論を活用することにより,形式的検証プロセスにおいて,複数の安全性レベルを評価することができる。
我々の貢献には、新しい抽象的安全性の定式化と既存のアプローチとの関係を理論的に探求することが含まれる。
論文 参考訳（メタデータ） (2025-05-08T13:29:46Z) - CrashSage: A Large Language Model-Centered Framework for Contextual and Interpretable Traffic Crash Analysis [0.46040036610482665]
道路事故は毎年130万人が死亡し、世界経済の損失は18兆ドルを超えたと主張している。
CrashSageは, 4つの重要なイノベーションを通じて, クラッシュ解析とモデリングを促進するために設計された, LLM(Large Language Model)中心のフレームワークである。
論文 参考訳（メタデータ） (2025-05-08T00:23:18Z) - SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。
安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。
我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文 参考訳（メタデータ） (2025-02-28T21:53:47Z) - From Objects to Events: Unlocking Complex Visual Understanding in Object Detectors via LLM-guided Symbolic Reasoning [71.41062111470414]
現在のオブジェクト検出器は、エンティティのローカライゼーションと分類において優れているが、イベント認識機能には固有の制限がある。
本稿では,単なるオブジェクト認識以上の標準オブジェクト検出能力を,複雑なイベント理解に拡張する新しいフレームワークを提案する。
私たちの重要なイノベーションは、高価なタスク固有のトレーニングを必要とせずに、オブジェクト検出とイベント理解のセマンティックなギャップを埋めることです。
論文 参考訳（メタデータ） (2025-02-09T10:30:54Z) - Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。
さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。
実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-16T03:10:16Z)
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。