論文の概要: Neurosymbolic Framework for Concept-Driven Logical Reasoning in Skeleton-Based Human Action Recognition

• arxiv url: http://arxiv.org/abs/2605.07140v1
• Date: Fri, 08 May 2026 02:20:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.744633
• Title: Neurosymbolic Framework for Concept-Driven Logical Reasoning in Skeleton-Based Human Action Recognition
• Title（参考訳）: 骨格に基づく人間行動認識における概念駆動論理推論のためのニューロシンボリックフレームワーク
• Authors: Talha Ilyas, Deval Mehta, Zongyuan Ge,
• Abstract要約: 動作プリミティブに対する概念駆動論理的推論として行動認識を再構成する骨格型HARの非暴力的定式化を導入する。 我々のフレームワークは、一階述語論理式に基づく表現学習と記号推論を橋渡しする。 本研究は,脳の時間的行動理解に有効なパラダイムとして,ニューロシンボリック推論に注目した。
• 参考スコア（独自算出の注目度）: 15.287681833764964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skeleton-based human activity recognition has achieved strong empirical performance, yet most existing models remain black boxes and difficult to interpret. In this work, we introduce a neurosymbolic formulation of skeleton-based HAR that reframes action recognition as concept-driven first-order logical reasoning over motion primitives. Our framework bridges representation learning and symbolic inference by grounding first-order logic predicates in learnable spatial and temporal motion concepts. Specifically, we employ a standard spatio-temporal skeleton encoder to extract latent motion representations, which are then mapped to interpretable concept predicates via a spatio-temporal concept decoder that explicitly separates pose-centric and dynamics-centric abstractions. These concept predicates are composed through differentiable first-order logic layers, enabling the model to learn human-readable logical rules that govern action semantics. To impose semantic structure on the learned concepts, we align skeleton representations with LLM-derived descriptions of atomic motion primitives, establishing a shared conceptual space for perception and reasoning. Extensive experiments on NTU RGB+D 60/120 and NW-UCLA demonstrate that our approach achieves competitive recognition performance while providing explicit, interpretable explanations grounded in logical structure. Our results highlight neurosymbolic reasoning as an effective paradigm for interpretable spatio-temporal action understanding. Code: https://github.com/Mr-TalhaIlyas/REASON
• Abstract（参考訳）: 骨格をベースとした人間の行動認識は、強い経験的性能を達成したが、既存のモデルのほとんどはブラックボックスのままであり、解釈が困難である。 本研究では,動作プリミティブに対する一階述語論理的推論として行動認識を再構成する骨格型HARのニューロシンボリックな定式化を導入する。 本フレームワークは,一階述語を学習可能な空間的・時間的運動概念に基礎付けることによって,表現的学習と記号的推論を橋渡しする。 具体的には、標準時空間スケルトンエンコーダを用いて潜時運動表現を抽出し、ポーズ中心と動的中心の抽象を明示的に分離する時空間概念デコーダを用いて解釈可能な概念述語にマッピングする。 これらの概念述語は、微分可能な一階述語論理層によって構成され、モデルがアクションセマンティクスを管理する人間可読な論理規則を学習することができる。 学習した概念に意味的構造を課すため、我々は骨格表現をLLM由来の原子運動プリミティブの記述と整列させ、認識と推論のための共有概念空間を確立する。 NTU RGB+D 60/120 と NW-UCLA の広範な実験により,論理構造に基づく明示的解釈可能な説明を提供しながら,本手法が競合認識性能を達成することを示した。 本研究は、時空間行動理解のための効果的なパラダイムとして、ニューロシンボリック推論に注目した。 コード:https://github.com/Mr-TalhaIlyas/REASON

関連論文リスト

• LogicCBMs: Logic-Enhanced Concept-Based Learning [24.54025789634956]
  Concept Bottleneck Models (CBM)は、ニューラルネットワークアーキテクチャ内のセマンティック抽象化の基盤を提供する。 本稿では,命題論理による概念ベース学習モデルの強化を提案する。
  論文  参考訳（メタデータ） (2025-12-08T10:16:54Z)
• 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)
• Towards a Neurosymbolic Reasoning System Grounded in Schematic Representations [12.910444755119082]
  大規模言語モデル(LLM)は論理的推論を行う際にエラーを起こしやすい。 本稿では,図式表現の理解と論理的推論を基盤とした,神経記号システム Embodied-LM の試作について紹介する。
  論文  参考訳（メタデータ） (2025-09-03T18:50:18Z)
• 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)
• 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)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)

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。