論文の概要: Auto-Relational Reasoning

• arxiv url: http://arxiv.org/abs/2604.26507v1
• Date: Wed, 29 Apr 2026 10:12:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.353181
• Title: Auto-Relational Reasoning
• Title（参考訳）: 自動リレーショナル推論
• Authors: Ioannis Konstantoulas, Dimosthenis Tsimas, Pavlos Peppas, Kyriakos Sgarbas,
• Abstract要約: ニューラルネットワークと統合されたオブジェクト関係を自動で推論する理論的枠組みを提案する。 本稿では、推論の形式的解析を行い、推論と機械学習を統合したパラダイムを通して、実際に理論を提示する。 本システムは、上位1%のパーセンタイルと132-144 iqのスコアに対応する98.03%の解率を達成する。
• 参考スコア（独自算出の注目度）: 0.47248250311484113
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background & Objectives: In the last decade, Machine learning research has grown rapidly, but large models are reaching their soft limits demonstrating diminishing returns and still lack solid reasoning abilities. These limits could be surpassed through synergistic combination of Machine Learning scalability and rigid reasoning. Methods: In this work, we propose a theoretical framework for reasoning through object-relations in an automated manner integrated with Artificial Neural Networks. We present a formal analysis of the Reasoning, and we show the theory in practice through a paradigm integrating Reasoning and Machine Learning. Results: This paradigm is a system that solves Intelligence Quotient problems without any prior knowledge of the problem. Our system achieves 98.03% solving rate corresponding to the top 1% percentile or 132-144 iq score. This result is only limited by the small size of the model and the processing capabilities of the machine it run on. Conclusions: With the integration of prior knowledge in the system and the expansion of the dataset, the system can be generalized to solve a large category of problems. The functionality of the system inherently favors the solution of such problems in few-shot or zero-shot attempts.
• Abstract（参考訳）: 背景と目的: この10年間で、機械学習の研究は急速に成長しましたが、大きなモデルは、リターンの低下を示すソフトリミットに達しています。 これらの制限は、機械学習のスケーラビリティと厳格な推論のシナジスティックな組み合わせによって克服できる。 方法:本研究では,ニューラルネットワークと統合されたオブジェクト関係を自動で推論する理論的枠組みを提案する。 本稿では、推論の形式的解析を行い、推論と機械学習を統合したパラダイムを通して、その理論を実践的に示す。 結果: このパラダイムは,問題の事前知識のないインテリジェンス・クオシエント問題を解くシステムである。 本システムは、上位1%のパーセンタイルと132-144 iqのスコアに対応する98.03%の解答率を達成する。 この結果は、モデルのサイズが小さいことと、それが実行するマシンの処理能力によってのみ制限される。 結論: システム内での事前知識の統合とデータセットの拡張により、システムは大きなカテゴリの問題を解決するために一般化できる。 システムの機能は、ほとんどショットやゼロショットの試行において、そのような問題の解法を本質的に好んでいる。

関連論文リスト

• Scaling Neuro-symbolic Problem Solving: Solver-Free Learning of Constraints and Objectives [3.2198807619678074]
  本稿では,NP-ハード推論問題の解法を学習するために,識別可能なニューロシンボリックアーキテクチャと損失関数を導入する。 自然入力からNPハード推論問題の解法を効率よく学習できることを実証的に示す。
  論文  参考訳（メタデータ） (2025-08-28T16:33:27Z)
• Advancing Solutions for the Three-Body Problem Through Physics-Informed Neural Networks [1.4680035572775536]
  三体問題の概念は、地球-太陽-月系の3つの天体の運動の研究として提唱された。 現在の最先端ソリューションは数値的な高精度統合や機械学習に基づくものである。 物理インフォームドニューラルネットワーク(PINN)を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-06T16:22:19Z)
• On the Promise for Assurance of Differentiable Neurosymbolic Reasoning Paradigms [9.071347361654931]
  我々は、データ効率のモデルを作成する新しい手法である、エンド・ツー・エンドの完全微分可能なニューロシンボリックシステムの保証を評価する。 エンド・ツー・エンドのニューロシンボリックな手法は、データ効率を超える保証のユニークな機会を提示する。
  論文  参考訳（メタデータ） (2025-02-13T03:29:42Z)
• Brain-inspired Computational Intelligence via Predictive Coding [73.42407863671565]
  予測符号化(PC)は、機械学習コミュニティにとって潜在的に価値のある、有望な特性を示している。 PCライクなアルゴリズムは、機械学習とAIの複数のサブフィールドに存在し始めている。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
  限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• Human-Algorithm Collaboration: Achieving Complementarity and Avoiding Unfairness [92.26039686430204]
  慎重に設計されたシステムであっても、補完的な性能はあり得ないことを示す。 まず,簡単な人間アルゴリズムをモデル化するための理論的枠組みを提案する。 次に、このモデルを用いて相補性が不可能な条件を証明する。
  論文  参考訳（メタデータ） (2022-02-17T18:44:41Z)
• End-to-end Algorithm Synthesis with Recurrent Networks: Logical Extrapolation Without Overthinking [52.05847268235338]
  機械学習システムが問題を過度に考えずに論理的外挿を行う方法を示す。 本稿では,問題インスタンスの明示的なコピーをメモリに保持して,それを忘れないようにするリコールアーキテクチャを提案する。 また、モデルが数に固有の行動を学ぶのを防ぎ、無期限に繰り返される行動を学ぶためにモデルをプッシュするプログレッシブトレーニングルーチンも採用しています。
  論文  参考訳（メタデータ） (2022-02-11T18:43:28Z)
• Machine Number Sense: A Dataset of Visual Arithmetic Problems for Abstract and Relational Reasoning [95.18337034090648]
  文法モデルを用いて自動生成される視覚的算術問題からなるデータセット、MNS(Machine Number Sense)を提案する。 これらの視覚的算術問題は幾何学的フィギュアの形をしている。 我々は、この視覚的推論タスクのベースラインとして、4つの主要なニューラルネットワークモデルを用いて、MNSデータセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-04-25T17:14:58Z)
• Relational Neural Machines [19.569025323453257]
  本稿では,学習者のパラメータと一階論理に基づく推論を共同で学習するフレームワークを提案する。 ニューラルネットワークは、純粋な準記号学習の場合の古典的な学習結果とマルコフ論理ネットワークの両方を復元することができる。 適切なアルゴリズム解は、大規模な問題において学習と推論が引き出すことができるように考案されている。
  論文  参考訳（メタデータ） (2020-02-06T10:53:57Z)

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。