論文の概要: Reasoning as Data: Representation-Computation Unity and Its Implementation in a Domain-Algebraic Inference Engine

• arxiv url: http://arxiv.org/abs/2604.10908v1
• Date: Mon, 13 Apr 2026 02:17:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.27644
• Title: Reasoning as Data: Representation-Computation Unity and Its Implementation in a Domain-Algebraic Inference Engine
• Title（参考訳）: データとしての推論:表現計算単位とそのドメイン代数推論エンジンにおける実装
• Authors: Chao Li, Yuru Wang,
• Abstract要約: CDCの4つのタプルis_a(Apple, Company, @Business)では、ドメインは述語アリティに埋め込まれた構造体になる。 4つのタプル構造から、ドメインスコープのクロージャ、型継承、書き込み時間のファルシフィケーションという3つの推論機構が生まれる。 動作シンボルエンジン(2400行のPython+Prolog)で4つのエンジニアリング問題を解く。
• 参考スコア（独自算出の注目度）: 3.6832585602595853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Every existing knowledge system separates storage from computation. We show this separation is unnecessary and eliminate it. In a standard triple is_a(Apple, Company), domain context lives in the query or the programmer's mind. In a CDC four-tuple is_a(Apple, Company, @Business), domain becomes a structural field embedded in predicate arity. Any system respecting arity automatically performs domain-scoped inference without external rules. We call this representation-computation unity (RCU). From the four-tuple structure, three inference mechanisms emerge: domain-scoped closure, typed inheritance, and write-time falsification via cycle detection per domain fiber. We establish RCU formally via four theorems. RCU is implementable. We present a working symbolic engine (2400 lines Python+Prolog) resolving four engineering issues: rule-data separation, shared-fiber handling, read-only meta-layer design, and intersective convergence. A central result: CDC domain-constrained inference is distinct from Prolog with a domain argument. Two case studies validate the engine. ICD-11 classification (1247 entities, 3 axes) shows fibers resolve multiple inheritance. CBT clinical reasoning shows generalization to temporal reasoning with session turn as ordered domain index. Multi-constraint queries realize CSP arc-consistency with complexity O(m (N/K)^2), confirming the domain lattice's sparsity governs performance. When domain is structural, data computes itself.
• Abstract（参考訳）: 既存の知識システムは、ストレージを計算から分離する。 この分離は不要であることを示し、排除します。 標準的な三重のis_a(Apple, Company)では、ドメインコンテキストはクエリやプログラマの心の中に存在する。 CDCの4つのタプルis_a(Apple, Company, @Business)では、ドメインは述語アリティに埋め込まれた構造体になる。 アリティを尊重するシステムは、外部ルールなしで自動的にドメインスコープ推論を実行する。 我々はこの表現計算単位 (RCU) と呼ぶ。 4つの構造から、ドメインスコープのクロージャ、型付き継承、ドメインファイバーごとのサイクル検出による書き込み時間のファルシフィケーションという3つの推論機構が出現する。 公式な RCU を4つの定理で確立する。 RCUは実装可能である。 動作シンボルエンジン(2400行のPython+Prolog)は,ルールデータ分離,共有ファイバハンドリング,読み取り専用メタ層設計,相互収束の4つの問題を解決する。 中心的な結果:CDCドメイン制約推論はドメイン引数を持つPrologとは異なる。 2つのケーススタディがエンジンを検証します。 ICD-11分類(1247個の実体、3つの軸)は繊維が多重継承を解決することを示している。 CBT臨床推論は、順序付けられたドメインインデックスとしてセッションターンによる時間的推論への一般化を示す。 マルチ制約クエリは、CSP arc-consistency with complexity O(m (N/K)^2) を実現する。 ドメインが構造的である場合、データはそれ自体を計算します。

関連論文リスト

• Domain-Contextualized Inference: A Computable Graph Architecture for Explicit-Domain Reasoning [3.2772126207274552]
  我々は、ドメインが明示的な第一級計算パラメータである計算基板に依存しない推論アーキテクチャを確立する。 これにより、O(N) から O(N/K) へのクエリごとの探索空間を削減し、シンボリック、ニューラル、ベクター、ハイブリッド基板上での基板非依存実行を実現する。
  論文  参考訳（メタデータ） (2026-04-06T01:35:42Z)
• Domain-constrained knowledge representation: A modal framework [3.2772126207274552]
  本稿では、補助的なアノテーションとしてではなく、知識表現の一部としてドメインを扱うべきであると論じる。 Domain-Contextualized Concept Graph (DCG)は、ドメインが関係に書き込まれ、モダルワールド制約として解釈されるフレームワークである。
  論文  参考訳（メタデータ） (2026-04-02T08:37:54Z)
• BRIDGE: Building Representations In Domain Guided Program Verification [67.36686119518441]
  BRIDGEは、検証をコード、仕様、証明の3つの相互接続ドメインに分解する。 提案手法は, 標準誤差フィードバック法よりも精度と効率を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-11-26T06:39:19Z)
• Efficient Hierarchical Domain Adaptation for Pretrained Language Models [77.02962815423658]
  生成言語モデルは、多種多様な一般的なドメインコーパスに基づいて訓練される。 計算効率のよいアダプタアプローチを用いて,ドメイン適応を多種多様なドメインに拡張する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T11:09:29Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation [91.58443042554903]
  FUDA(Unsupervised Domain Adaptation)のためのPCS(Prototypical Cross-Domain Self-Supervised Learning)フレームワークを提案する。 PCSは、クロスドメインのローレベルな機能アライメントを行うだけでなく、ドメイン間の共有埋め込み空間におけるセマンティック構造をエンコードおよびアライメントする。 最新の手法と比較して、pcsは、fuda上の異なるドメインペアの平均分類精度を10.5%、office、office-home、visda-2017、domainnetで3.5%、9.0%、13.2%改善している。
  論文  参考訳（メタデータ） (2021-03-31T02:07:42Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)
• Cross-Domain Generalization Through Memorization: A Study of Nearest Neighbors in Neural Duplicate Question Detection [72.01292864036087]
  重複質問検出(DQD)は,コミュニティの効率向上と自動質問応答システムの実現に重要である。 我々は、DQDのクロスドメイン一般化のために、ニューラル表現を活用し、近接する隣人を研究する。 StackExchange、Spring、Quoraの各データセットの異なるクロスドメインシナリオにおいて、このメソッドの堅牢なパフォーマンスを観察します。
  論文  参考訳（メタデータ） (2020-11-22T19:19:33Z)

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。