論文の概要: Interpretable Relational Inference with LLM-Guided Symbolic Dynamics Modeling
- arxiv url: http://arxiv.org/abs/2604.12806v1
- Date: Tue, 14 Apr 2026 14:36:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.501867
- Title: Interpretable Relational Inference with LLM-Guided Symbolic Dynamics Modeling
- Title（参考訳）: LLM誘導記号力学モデリングによる解釈可能な関係推論
- Authors: Xiaoxiao Liang, Juyuan Zhang, Liming Pan, Linyuan Lü,
- Abstract要約: 観測力学から潜在相互作用構造を推定することは、多体相互作用系における基本的な逆問題である。
相互作用グラフとスパースシンボルダイナミクスを共同で発見する,微分可能なフレームワークである textbfCOSINE を提案する。
- 参考スコア（独自算出の注目度）: 5.089978175530993
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring latent interaction structures from observed dynamics is a fundamental inverse problem in many-body interacting systems. Most neural approaches rely on black-box surrogates over trainable graphs, achieving accuracy at the expense of mechanistic interpretability. Symbolic regression offers explicit dynamical equations and stronger inductive biases, but typically assumes known topology and a fixed function library. We propose \textbf{COSINE} (\textbf{C}o-\textbf{O}ptimization of \textbf{S}ymbolic \textbf{I}nteractions and \textbf{N}etwork \textbf{E}dges), a differentiable framework that jointly discovers interaction graphs and sparse symbolic dynamics. To overcome the limitations of fixed symbolic libraries, COSINE further incorporates an outer-loop large language model that adaptively prunes and expands the hypothesis space using feedback from the inner optimization loop. Experiments on synthetic systems and large-scale real-world epidemic data demonstrate robust structural recovery and compact, mechanism-aligned dynamical expressions. Code: https://anonymous.4open.science/r/COSINE-6D43.
- Abstract（参考訳）: 観測力学から潜在相互作用構造を推定することは、多体相互作用系における基本的な逆問題である。
ほとんどのニューラルアプローチは、トレーニング可能なグラフよりもブラックボックスサロゲートに依存しており、機械的解釈容易性を犠牲にして精度を達成している。
シンボリック回帰は明示的な力学方程式とより強い帰納的バイアスを与えるが、一般に既知の位相と固定関数ライブラリを仮定する。
我々は、相互作用グラフとスパース記号力学を共同で発見する微分可能なフレームワークである、 \textbf{C}o-\textbf{O}ptimization of \textbf{S}ymbolic \textbf{I}nteractions and \textbf{N}etwork \textbf{E}dgesを提案する。
固定シンボルライブラリの限界を克服するため、COSINEはさらに、内部最適化ループからのフィードバックを用いて、適応的にプーンし、仮説空間を拡張する外ループ大言語モデルを組み込んだ。
合成システムと大規模現実世界の流行データの実験は、頑健な構造回復と、コンパクトで機構に整合した動的表現を実証している。
コード:https://anonymous.4open.science/r/COSINE-6D43。
関連論文リスト
- OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。
OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。
我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
論文 参考訳（メタデータ） (2026-03-16T18:29:01Z) - KGS-GCN: Enhancing Sparse Skeleton Sensing via Kinematics-Driven Gaussian Splatting and Probabilistic Topology for Action Recognition [20.09080176203823]
KGS-GCNは、キネマティクス駆動のガウススプラッティングと確率的トポロジーを統合するグラフ畳み込みネットワークである。
我々のフレームワークは、低忠実度センサデータを処理するための堅牢なソリューションを提供する。
論文 参考訳（メタデータ） (2026-03-16T07:47:33Z) - Physics as the Inductive Bias for Causal Discovery [7.9653270330458446]
因果発見は、しばしば複雑な現実世界のシステムを分析するためのデータ駆動パラダイムである。
我々は,因果グラフ構造を利用してパラメータ推定を行うスケーラブルなスペーサ性誘導型MLEアルゴリズムを開発した。
論文 参考訳（メタデータ） (2026-02-03T23:42:01Z) - \textsc{NaVIDA}: Vision-Language Navigation with Inverse Dynamics Augmentation [50.027425808733994]
textscNaVIDAは、ポリシー学習とアクショングラウンドの視覚力学と適応実行を結合した統合VLNフレームワークである。
textscNaVIDAは、チャンクベースの逆ダイナミクスによるトレーニングを強化し、視覚変化と対応するアクションの因果関係を学習する。
実験の結果,textscNaVIDAはパラメータが少ない最先端の手法に比べてナビゲーション性能が優れていることがわかった。
論文 参考訳（メタデータ） (2026-01-26T06:16:17Z) - Stable Language Guidance for Vision-Language-Action Models [62.80963701282789]
残留セマンティックステアリング(Residual Semantic Steering)は、セマンティック実行から身体的余裕を逸脱する確率的フレームワークである。
RSSは最先端の堅牢性を実現し、敵対的な言語摂動の下でも性能を維持する。
論文 参考訳（メタデータ） (2026-01-07T16:16:10Z) - Towards Fast Coarse-graining and Equation Discovery with Foundation Inference Models [6.403678133359229]
高次元記録における潜伏力学は、しばしばより小さな有効変数の集合によって特徴づけられる。
ほとんどの機械学習アプローチは、動的一貫性を強制するモデルとともにオートエンコーダをトレーニングすることで、これらのタスクに共同で取り組む。
我々は最近導入されたファンデーション推論モデル(FIM)を利用して2つの問題を分離することを提案する。
半円拡散を合成ビデオデータに埋め込んだ二重井戸系における概念実証は、高速で再利用可能な粗粒化パイプラインに対するこのアプローチの可能性を示している。
論文 参考訳（メタデータ） (2025-10-14T15:17:23Z) - A Data-Driven Framework for Discovering Fractional Differential Equations in Complex Systems [8.206685537936078]
本研究では、データから直接分数微分方程式(FDE)を発見するための段階的なデータ駆動フレームワークを提案する。
我々のフレームワークは、スパース観測とノイズ観測の分離と再構成のための代理モデルとしてディープニューラルネットワークを適用している。
本研究は, 凍結土壌のクリープ挙動に関する, 合成異常拡散データおよび実験データを含む, 各種データセットにわたるフレームワークの検証を行った。
論文 参考訳（メタデータ） (2024-12-05T08:38:30Z) - PGODE: Towards High-quality System Dynamics Modeling [40.76121531452706]
本稿では,エージェントが相互に相互作用して動作に影響を与えるマルチエージェント力学系をモデル化する問題について検討する。
最近の研究では、主に幾何学グラフを用いてこれらの相互相互作用を表現し、グラフニューラルネットワーク(GNN)によって捉えられている。
本稿では,プロトタイプグラフODE(Prototypeal Graph ODE)という新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-11-11T12:04:47Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳（メタデータ） (2023-01-23T15:18:54Z) - Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
本稿では,グラフ力学ネットワーク(GMN)を提案する。
GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。
大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
論文 参考訳（メタデータ） (2022-03-12T14:22:14Z)
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。