論文の概要: Grounding vs. Compositionality: On the Non-Complementarity of Reasoning in Neuro-Symbolic Systems

• arxiv url: http://arxiv.org/abs/2604.26521v1
• Date: Wed, 29 Apr 2026 10:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.361503
• Title: Grounding vs. Compositionality: On the Non-Complementarity of Reasoning in Neuro-Symbolic Systems
• Title（参考訳）: 接地対構成性:ニューロシンボリック系における推論の非補間性について
• Authors: Mahnoor Shahid, Hannes Rothe,
• Abstract要約: ニューロシンボリックAIにおける中心的な前提は、構成的推論が、成功しているシンボルグラウンドの副産物として現れることである。 この研究は、基礎づけと推論の貢献を断ち切ることで、この仮定に挑戦する最初の体系的な経験的分析を提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compositional generalization remains a foundational weakness of modern neural networks, limiting their robustness and applicability in domains requiring out-of-distribution reasoning. A central, yet unverified, assumption in neuro-symbolic AI is that compositional reasoning will emerge as a byproduct of successful symbol grounding. This work presents the first systematic empirical analysis to challenge this assumption by disentangling the contributions of grounding and reasoning. To operationalize this investigation, we introduce the Iterative Logic Tensor Network ($i$LTN), a fully differentiable architecture designed for multi-step deduction. Using a formal taxonomy of generalization -- probing for novel entities, unseen relations, and complex rule compositions -- we demonstrate that a model trained solely on a grounding objective fails to generalize. In contrast, our full $i$LTN, trained jointly on perceptual grounding and multi-step reasoning, achieves high zero-shot accuracy across all tasks. Our findings provide conclusive evidence that symbol grounding, while necessary, is insufficient for generalization, establishing that reasoning is not an emergent property but a distinct capability that requires an explicit learning objective.
• Abstract（参考訳）: 構成一般化は現代のニューラルネットワークの基本的弱点であり、分布外推論を必要とする領域における堅牢性と適用性を制限している。 ニューロシンボリックAIにおける中心的で、証明されていない仮定は、構成的推論が、成功しているシンボルグラウンドの副産物として現れるというものである。 この研究は、基礎づけと推論の貢献を断ち切ることで、この仮定に挑戦する最初の体系的な経験的分析を提示する。 この調査を運用するために、多段階推論用に設計された完全に微分可能なアーキテクチャである反復論理テンソルネットワーク(i$LTN)を紹介した。 一般化の形式的な分類法(新しい実体、目に見えない関係、複雑な規則構成)を用いることで、基礎となる目的のみに基づいて訓練されたモデルが一般化に失敗することを実証する。 対照的に、知覚的グラウンドとマルチステップ推論を併用して訓練されたフル$i$LTNは、全タスクにわたって高いゼロショット精度を実現する。 本研究は,記号接地が一般化に不十分であることを示す決定的証拠を提供し,推論は創発的特性ではなく,明確な学習目的を必要とする独特な能力であることを確認した。

関連論文リスト

• Hybrid Models for Natural Language Reasoning: The Case of Syllogistic Logic [3.421904493396495]
  本稿では,Sylological fragment をベンチマークとして,事前学習型大言語モデル(LLM)の論理一般化能力について検討する。 シンボリック推論とニューラル計算を組み合わせたハイブリッドアーキテクチャを提案する。 実験の結果,比較的小さな神経成分でも高い効率が維持できることがわかった。
  論文  参考訳（メタデータ） (2025-10-10T15:27:29Z)
• Propositional Logic for Probing Generalization in Neural Networks [3.6037930269014633]
  本稿では,3つの重要なニューラルネットワーク(Transformers, Graph Convolution Networks, LSTMs)の,命題論理に根ざした制御タスクにおける一般化挙動について検討する。 構造バイアスを導入しなければ,Transformerはネゲーションを構成的に適用できないことがわかった。 本研究は,論理演算子の体系的表現を学習する標準的なアーキテクチャの能力において,永続的な限界を浮き彫りにするものである。
  論文  参考訳（メタデータ） (2025-06-10T16:46:05Z)
• Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
  世界の知識と論理的推論の相互作用について検討する。 最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。 タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
  論文  参考訳（メタデータ） (2024-10-31T12:48:58Z)
• Feature contamination: Neural networks learn uncorrelated features and fail to generalize [5.642322814965062]
  分散シフトの下で一般化される学習表現は、堅牢な機械学習モデルを構築する上で重要である。 ニューラルネットワークを教師ネットワークから得られる表現に明示的に適合させることさえ、学生ネットワークの一般化には不十分であることを示す。
  論文  参考訳（メタデータ） (2024-06-05T15:04:27Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Logical Neural Networks [51.46602187496816]
  ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。 すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。 推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
  論文  参考訳（メタデータ） (2020-06-23T16:55:45Z)
• Compositional Generalization by Learning Analytical Expressions [87.15737632096378]
  メモリ拡張ニューラルモデルは、合成一般化を達成するために解析式に接続される。 良く知られたベンチマークSCANの実験は、我々のモデルが構成的一般化の優れた能力をつかむことを示した。
  論文  参考訳（メタデータ） (2020-06-18T15:50:57Z)

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。