論文の概要: Compositional Neuro-Symbolic Reasoning

• arxiv url: http://arxiv.org/abs/2604.02434v1
• Date: Thu, 02 Apr 2026 18:04:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.162476
• Title: Compositional Neuro-Symbolic Reasoning
• Title（参考訳）: 合成ニューロシンボリック推論
• Authors: Anugyan Das, Omkar Ghugarkar, Vishvesh Bhat, Asad Aali,
• Abstract要約: 抽象推論コーパス(ARC)の構造的抽象化に基づく推論について検討する。 本稿では,グリッドからオブジェクトレベルの構造を抽出するニューロシンボリックアーキテクチャを提案する。 我々はARC-AGI-2Reasonerコードをオープンソース化した。
• 参考スコア（独自算出の注目度）: 0.7894152109655374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study structured abstraction-based reasoning for the Abstraction and Reasoning Corpus (ARC) and compare its generalization to test-time approaches. Purely neural architectures lack reliable combinatorial generalization, while strictly symbolic systems struggle with perceptual grounding. We therefore propose a neuro-symbolic architecture that extracts object-level structure from grids, uses neural priors to propose candidate transformations from a fixed domain-specific language (DSL) of atomic patterns, and filters hypotheses using cross-example consistency. Instantiated as a compositional reasoning framework based on unit patterns inspired by human visual abstraction, the system augments large language models (LLMs) with object representations and transformation proposals. On ARC-AGI-2, it improves base LLM performance from 16% to 24.4% on the public evaluation set, and to 30.8% when combined with ARC Lang Solver via a meta-classifier. These results demonstrate that separating perception, neural-guided transformation proposal, and symbolic consistency filtering improves generalization without task-specific finetuning or reinforcement learning, while reducing reliance on brute-force search and sampling-based test-time scaling. We open-source the ARC-AGI-2 Reasoner code (https://github.com/CoreThink-AI/arc-agi-2-reasoner).
• Abstract（参考訳）: 本研究では、抽象・推論コーパス(ARC)の抽象的推論を構造化し、その一般化とテスト時間的アプローチを比較した。 純粋にニューラルネットワークアーキテクチャは信頼性の高い組合せ一般化を欠いているが、厳密に象徴的なシステムは知覚的接地に苦しむ。 そこで我々は、グリッドからオブジェクトレベル構造を抽出し、ニューラルネットワークを用いて原子パターンの固定されたドメイン固有言語(DSL)からの候補変換を提案し、クロスサンプル整合性を用いて仮説をフィルタリングするニューラルシンボリックアーキテクチャを提案する。 人間の視覚的抽象化にインスパイアされたユニットパターンに基づいた合成推論フレームワークとして確立されたこのシステムは、オブジェクト表現と変換提案を備えた大規模言語モデル(LLM)を拡張している。 ARC-AGI-2では、LCMの性能を16%から24.4%に改善し、メタ分類器を介してARC Lang Solverと組み合わせると30.8%に向上した。 これらの結果は、知覚の分離、ニューラルネットワーク変換の提案、シンボリック整合性フィルタリングにより、タスク固有の微調整や強化学習を伴わずに一般化が向上し、ブルートフォースサーチとサンプリングベーステストタイムスケーリングへの依存が軽減されることを示す。 ARC-AGI-2 Reasonerコード(https://github.com/CoreThink-AI/arc-agi-2-reasoner)をオープンソース化しました。

関連論文リスト

• Recursive Concept Evolution for Compositional Reasoning in Large Language Models [0.0]
  大規模言語モデルは、多くの複雑な推論タスクにおいて強力な性能を達成するが、その精度は、構成的推論を必要とするベンチマークで著しく低下する。 本稿では、事前学習した言語モデルが推論中に内部表現の幾何を変更することができるフレームワークであるRecursive Concept Evolution (RCE)を提案する。 RCEはARC-AGI-2で12-18点、GPQAとBBHで8-14点、MATHとHLEで深度誘起誤差が一貫して減少する。
  論文  参考訳（メタデータ） (2026-02-17T17:01:42Z)
• ARC-AGI-2 Technical Report [0.0846998909761807]
  ARC (Abstraction and Reasoning Corpus) はパターンマッチング以上の一般化を評価するために設計された。 本稿では、ニューラルネットワークと構造認識の事前処理とオンラインタスク適応を組み合わせることにより、ARC性能を向上させるトランスフォーマーベースシステムを提案する。
  論文  参考訳（メタデータ） (2026-02-04T10:03:56Z)
• ECCO: Evidence-Driven Causal Reasoning for Compiler Optimization [9.85275171877854]
  検索で解釈可能な推論をブリッジするフレームワークであるECCOを紹介する。 本稿ではまず,Chain-of-Thoughtデータセットを構築するためのリバースエンジニアリング手法を提案する。 次に,大規模言語モデルがストラテジストとして機能する協調推論機構を設計する。
  論文  参考訳（メタデータ） (2026-01-23T01:23:20Z)
• Think Visually, Reason Textually: Vision-Language Synergy in ARC [94.15522924153264]
  ARC-AGIは、概念ルールの誘導と新しいタスクへの転送のための厳格なテストベッドである。 既存のほとんどの手法は、ARC-AGIを純粋にテキストによる推論タスクとして扱い、人間が視覚的抽象化に強く依存しているという事実を見落としている。 VLSR(Vision-Language Synergy Reasoning)とMSSC(Modality-Switch Self-Correction)の2つの相乗的戦略を導入する。 本研究は,視覚的抽象と言語的推論を一体化させることが,汎用的な人間的な知性を実現するための重要なステップであることを示唆している。
  論文  参考訳（メタデータ） (2025-11-19T18:59:04Z)
• Bearing Syntactic Fruit with Stack-Augmented Neural Networks [59.49467149799849]
  スタック拡張ニューラルネットワークは、標準的なアーキテクチャよりも、人間の言語習得の正確なモデルであることを示す。 また、階層的一般化を改善するスタックRNNアーキテクチャの修正も提案する。
  論文  参考訳（メタデータ） (2025-11-05T15:30:58Z)
• A Novel Architecture for Symbolic Reasoning with Decision Trees and LLM Agents [0.0]
  本稿では,決定木に基づく記号推論と大規模言語モデルの生成機能を統合するハイブリッドアーキテクチャを提案する。 ツリーベースのモジュールは解釈可能なルール推論と因果論理を可能にし、一方LLMエージェントは帰納的推論、一般化、対話的計画を扱う。 システムは推論ベンチマークで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-07T12:11:53Z)
• CSCNET: Class-Specified Cascaded Network for Compositional Zero-Shot Learning [62.090051975043544]
  属性とオブジェクト(A-O)の絡み合いは、合成ゼロショット学習(CZSL)の基本的かつ重要な問題である CZSL(Class-specified Cascaded Network, CSCNet)のための新しいA-O不整合フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-09T14:18:41Z)
• LLMs and the Abstraction and Reasoning Corpus: Successes, Failures, and the Importance of Object-based Representations [50.431003245201644]
  GPT-4 は 1D-ARC や単純な ARC サブセットのような非言語領域で完全に「推論」できないことを示す。 本稿では,外部ツールから得られるオブジェクトベース表現を提案する。これにより,解決されたARCタスクのパフォーマンスがほぼ倍増し,より簡単な1D-ARC上でのほぼ完璧なスコアが得られた。
  論文  参考訳（メタデータ） (2023-05-26T16:32:17Z)
• Neural Entity Linking: A Survey of Models Based on Deep Learning [82.43751915717225]
  本調査では,2015年以降に開発されたニューラルエンティティリンク(EL)システムの包括的記述について報告する。 その目標は、ニューラルエンティティリンクシステムの設計機能を体系化し、それらのパフォーマンスを一般的なベンチマーク上の注目すべき古典的手法と比較することである。 この調査はエンティティリンクの応用に焦点をあて、最近出現した、深い事前訓練されたマスキング言語モデルを強化するユースケースに焦点を当てている。
  論文  参考訳（メタデータ） (2020-05-31T18:02:26Z)

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。