論文の概要: GRAIL: Autonomous Concept Grounding for Neuro-Symbolic Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2604.16871v1
• Date: Sat, 18 Apr 2026 06:41:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.209451
• Title: GRAIL: Autonomous Concept Grounding for Neuro-Symbolic Reinforcement Learning
• Title（参考訳）: GRAIL:ニューロシンボリック強化学習のための自律的概念基盤
• Authors: Hikaru Shindo, Henri Rößler, Quentin Delfosse, Kristian Kersting,
• Abstract要約: GRAILは環境相互作用を通じて概念を自律的に基礎付けるフレームワークである。 粗末な報酬信号と、未決定環境において一般的な概念的ミスアライメントの両方に対処する。 GRAILはエージェントと手作りのコンセプトを簡易な設定でマッチングし、報酬とハイレベルなゴール完了の間の情報的トレードオフを明らかにする。
• 参考スコア（独自算出の注目度）: 36.384912895857674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuro-symbolic Reinforcement Learning (NeSy-RL) combines symbolic reasoning with gradient-based optimization to achieve interpretable and generalizable policies. Relational concepts, such as "left of" or "close by", serve as foundational building blocks that structure how agents perceive and act. However, conventional approaches require human experts to manually define these concepts, limiting adaptability since concept semantics vary across environments. We propose GRAIL (Grounding Relational Agents through Interactive Learning), a framework that autonomously grounds relational concepts through environmental interaction. GRAIL leverages large language models (LLMs) to provide generic concept representations as weak supervision, then refines them to capture environment-specific semantics. This approach addresses both sparse reward signals and concept misalignment prevalent in underdetermined environments. Experiments on the Atari games Kangaroo, Seaquest, and Skiing demonstrate that GRAIL matches or outperforms agents with manually crafted concepts in simplified settings, and reveals informative trade-offs between reward maximization and high-level goal completion in the full environment.
• Abstract（参考訳）: ニューロシンボリック強化学習(NeSy-RL)は、シンボリック推論と勾配に基づく最適化を組み合わせて、解釈可能で一般化可能なポリシーを実現する。 左」や「閉じる」といった関係概念は、エージェントの知覚と行動の仕方を構成する基礎的な構成要素として機能する。 しかし、従来のアプローチでは、人間の専門家がこれらの概念を手動で定義する必要がある。 GRAIL(Grounding Relational Agents through Interactive Learning)は,環境相互作用による関係概念を自律的に構築するフレームワークである。 GRAILは大規模言語モデル(LLM)を活用して、弱い監視力として一般的な概念表現を提供し、環境固有のセマンティクスをキャプチャするためにそれらを洗練する。 提案手法は, 未決定環境において, スパース報酬信号と概念的ミスアライメントの両方に対処する。 カンガルー、シークエスト、スキーングのアタリゲームの実験では、GRAILは手作業によるコンセプトと簡易な設定でエージェントとマッチするか、性能を上回り、フル環境での報酬最大化とハイレベルゴール完了の間の有意義なトレードオフを明らかにする。

関連論文リスト

• Beyond Heuristic Prompting: A Concept-Guided Bayesian Framework for Zero-Shot Image Recognition [81.2779530670268]
  VLM(Vision-Language Models)は、ゼロショット画像認識を著しく進歩させたモデルである。 本稿では、クラス固有の概念を取り入れることで、プロンプトを強化する。 我々の手法は一貫して最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-03-09T03:11:11Z)
• Insight: Interpretable Semantic Hierarchies in Vision-Language Encoders [52.94006363830628]
  言語対応の視覚基盤モデルは、下流の様々なタスクで強く機能する。 近年の研究では、これらの表現を人間の解釈可能な概念に分解するが、空間的接地が乏しく、画像分類に限られている。 入力画像に人間が解釈可能で空間的に接地した、きめ細かい概念を提供する言語対応概念基盤モデルであるInsightを提案する。
  論文  参考訳（メタデータ） (2026-01-20T09:57:26Z)
• FaCT: Faithful Concept Traces for Explaining Neural Network Decisions [56.796533084868884]
  ディープネットワークは、幅広いタスクで顕著なパフォーマンスを示しているが、それらの機能に関するグローバルな概念レベルの理解は、依然として重要な課題である。 本稿では,概念に基づく説明の忠実さを強調し,モデル独立な機械的概念説明を用いた新しいモデルを提案する。 私たちの概念はクラス間で共有され、あらゆるレイヤから、ロジットへの貢献と入力-視覚化を忠実にトレースすることができます。
  論文  参考訳（メタデータ） (2025-10-29T13:35:46Z)
• CLMN: Concept based Language Models via Neural Symbolic Reasoning [27.255064617527328]
  概念言語モデルネットワーク(CLMN)は、パフォーマンスと解釈可能性の両方を維持するニューラルシンボリックフレームワークである。 CLMNは、連続的、人間可読な埋め込みとして概念を表現している。 Modelは、概念を意識した表現でオリジナルのテキスト機能を拡張し、解釈可能なロジックルールを自動的に誘導する。
  論文  参考訳（メタデータ） (2025-10-11T06:58:44Z)
• Revealing emergent human-like conceptual representations from language prediction [90.73285317321312]
  大規模言語モデル(LLMs)は、人間らしい振る舞いを示すテキストの次のトーケン予測によってのみ訓練される。 これらのモデルでは、概念は人間のものと似ていますか? LLMは、他の概念に関する文脈的手がかりに関連して、言語記述から柔軟に概念を導出できることがわかった。
  論文  参考訳（メタデータ） (2025-01-21T23:54:17Z)
• Interpreting Pretrained Language Models via Concept Bottlenecks [55.47515772358389]
  事前訓練された言語モデル(PLM)は、様々な自然言語処理タスクにおいて大きな進歩を遂げてきた。 ブラックボックスの性質による解釈可能性の欠如は、責任ある実装に課題をもたらす。 本研究では,人間にとって理解しやすい高レベルで有意義な概念を用いて,PLMを解釈する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T20:41:18Z)
• Interpretable Neural-Symbolic Concept Reasoning [7.1904050674791185]
  概念に基づくモデルは、人間の理解可能な概念のセットに基づいてタスクを学習することでこの問題に対処することを目的としている。 本稿では,概念埋め込みに基づく最初の解釈可能な概念ベースモデルであるDeep Concept Reasoner (DCR)を提案する。
  論文  参考訳（メタデータ） (2023-04-27T09:58:15Z)
• GlanceNets: Interpretabile, Leak-proof Concept-based Models [23.7625973884849]
  概念ベースモデル(CBM)は、高レベルの概念の語彙の獲得と推論によって、ハイパフォーマンスと解釈可能性を組み合わせる。 我々は、モデル表現と基礎となるデータ生成プロセスとの整合性の観点から、解釈可能性を明確に定義する。 GlanceNetsは不整合表現学習とオープンセット認識の技法を利用してアライメントを実現する新しいCBMである。
  論文  参考訳（メタデータ） (2022-05-31T08:53:53Z)

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。