論文の概要: NSFL: A Post-Training Neuro-Symbolic Fuzzy Logic Framework for Boolean Operators in Neural Embeddings

• arxiv url: http://arxiv.org/abs/2604.10604v1
• Date: Sun, 12 Apr 2026 12:19:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.128952
• Title: NSFL: A Post-Training Neuro-Symbolic Fuzzy Logic Framework for Boolean Operators in Neural Embeddings
• Title（参考訳）: NSFL:ニューラルエンベディングにおけるブール演算子のための後学習型ニューロシンボリックファジィ論理フレームワーク
• Authors: Vladi Vexler, Ofer Idan, Gil Lederman, Dima Sivov,
• Abstract要約: Neuro-Symbolic Fuzzy Logic (NSFL) は、フォーマルなt-ノルムとt-コノルムを、再トレーニングを必要とせずに神経埋め込み空間に適応させる。 NSFLは1次ハイブリッド計算として動作する。 孤立したゼロ階類似度スコアの論理演算をアンカーする。 ニューロシンボリックデルタを用いて積極的に表現を操る。
• 参考スコア（独自算出の注目度）: 0.35498685419210285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Standard dense retrievers lack a native calculus for multi-atom logical constraints. We introduce Neuro-Symbolic Fuzzy Logic (NSFL), a framework that adapts formal t-norms and t-conorms to neural embedding spaces without requiring retraining. NSFL operates as a first-order hybrid calculus: it anchors logical operations on isolated zero-order similarity scores while actively steering representations using Neuro-Symbolic Deltas (NS-Delta) -- the first-order marginal differences derived from contextual fusion. This preserves pure atomic meaning while capturing domain reliance, preventing the representation collapse and manifold escape endemic to traditional geometric baselines. For scalable real-time retrieval, Spherical Query Optimization (SQO) leverages Riemannian optimization to project these fuzzy formulas into manifold-stable query vectors. Validated across six distinct encoder configurations and two modalities (including zero-shot and SOTA fine-tuned models), NSFL yields mAP improvements up to +81%. Notably, NSFL provides an additive 20% average and up to 47% boost even when applied to encoders explicitly fine-tuned for logical reasoning. By establishing a training-free, order-aware calculus for high-dimensional spaces, this framework lays the foundation for future dynamic scaling and learned manifold logic.
• Abstract（参考訳）: 標準的な高密度レトリバーは、マルチ原子論理的制約に対するネイティブな計算を欠いている。 本稿では, ニューロ・シンボリック・ファジィ・ロジック (NSFL) を導入し, フォーマルなtノルムとtノルムをリトレーニングを必要とせず, 神経埋め込み空間に適応させるフレームワークを提案する。 NSFLは一階のハイブリッド計算として機能し、孤立したゼロ階の類似点に論理演算を固定し、文脈融合に由来する一階の辺縁差であるニューロシンボリックデルタ(NS-Delta)を用いて積極的に表現を操る。 これは領域依存を捉えながら純粋な原子的意味を保ち、表現の崩壊を防ぎ、多様体は伝統的な幾何学的基底線から遠ざかる。 スケーラブルなリアルタイム検索のために、SQO (Spherical Query Optimization) はリーマン最適化を利用してこれらのファジィ公式を多様体安定なクエリベクトルに投影する。 6つの異なるエンコーダ構成と2つのモード(ゼロショットとSOTAの微調整モデルを含む)で検証され、NSFLはmAPの改善を+81%まで向上させる。 特にNSFLは、論理的推論のために明示的に微調整されたエンコーダに適用しても、平均20%、最大47%の加算を提供する。 このフレームワークは、高次元空間のためのトレーニングフリーで順序対応の計算を確立することによって、将来の動的スケーリングと学習多様体論理の基礎を成す。

関連論文リスト

• Linearized Bregman Iterations for Sparse Spiking Neural Networks [0.1274452325287335]
  スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワーク(ANN)に代わるエネルギー効率の良い代替手段を提供する この研究は、SNNのトレーニングの最適化としてLBI(Linearized Bregman Iterations)を導入している。 収束と一般化を改善するために、AdaBregeration(AdaBregeration)を用いる。
  論文  参考訳（メタデータ） (2026-03-17T12:48:31Z)
• NeuronSpark: A Spiking Neural Network Language Model with Selective State Space Dynamics [0.7614628596146601]
  本稿では、次トーケン予測と代理勾配を訓練した0.9BパラメータSNN言語モデルであるNeuronSparkを紹介する。 制約された予算の下では、NeuronSpark-0.9Bは3.6の事前訓練損失に達し、SFT後の初期のマルチターン対話動作を示す。 これらの結果は、このスケールでの純粋なSNNアーキテクチャによるエンドツーエンド言語モデリングの実現性を支持する。
  論文  参考訳（メタデータ） (2026-03-17T06:01:05Z)
• CATFormer: When Continual Learning Meets Spiking Transformers With Dynamic Thresholds [0.0]
  クラスインクリメンタルラーニング(CIL)のための既存のスパイクニューラルネットワーク(SNN)は、タスクの蓄積に伴って大幅にパフォーマンス低下する。 この制限を克服するスケーラブルなフレームワークであるCATFormerを紹介します。 SNNにおける忘れの防止の鍵はシナプスの可塑性だけでなく、ニューロンの興奮性も調節できることを観察する。
  論文  参考訳（メタデータ） (2026-03-16T12:20:23Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning [51.386945803485084]
  エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。 既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。 浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
  論文  参考訳（メタデータ） (2024-01-09T07:31:34Z)
• Fast gradient-free activation maximization for neurons in spiking neural networks [5.805438104063613]
  このようなループのための効率的な設計のフレームワークを提案する。 トレーニング中の人工ニューロンの最適刺激の変化を追跡する。 この洗練された最適刺激の形成は、分類精度の増大と関連している。
  論文  参考訳（メタデータ） (2023-12-28T18:30:13Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。