論文の概要: Concise and Logically Consistent Conformal Sets for Neuro-Symbolic Concept-Based Models
- arxiv url: http://arxiv.org/abs/2605.18202v1
- Date: Mon, 18 May 2026 10:43:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.404681
- Title: Concise and Logically Consistent Conformal Sets for Neuro-Symbolic Concept-Based Models
- Title（参考訳）: ニューロシンボリック概念に基づくモデルのための簡潔で論理的に整合な整形集合
- Authors: Samuele Bortolotti, Emanuele Marconato, Andrea Pugnana, Andrea Passerini, Stefano Teso,
- Abstract要約: Neuro-Symbolic Concept-based Models (NeSy-CBMs) は、ニューラルネットワークとシンボリック推論を統合し、ハイテイクなアプリケーションにおける信頼性を高める。
彼らはまず入力から高レベルな概念を抽出し、次に与えられた論理的制約と組み合わせてタスクラベルを推論する。
我々は,厳密で分散のないカバレッジ保証を提供するフレームワークであるConformal Prediction (CP) のアイデアを統合することで,この問題に対処する。
次にCOCOCOを紹介します。これは概念とラベルを共同で適合させ、1つの演目-引用修正ステップを通じてそれらを調整するポストホックフレームワークです。
- 参考スコア（独自算出の注目度）: 21.46859463155991
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neuro-Symbolic Concept-based Models (NeSy-CBMs) are a family of architectures that integrate neural networks with symbolic reasoning for enhanced reliability in high-stakes applications. They work by first extracting high-level concepts from the input and then inferring a task label from these compatibly with given logical constraints. Yet, their label and concept predictions can be overconfident, making it difficult for stakeholders to gauge when the model's decisions can be trusted. We address this issue by integrating ideas from Conformal Prediction (CP), a framework providing rigorous, distribution-free coverage guarantees. We formalize three desiderata -- consistency, coverage, and conciseness -- that any conformal method for NeSy-CBMs should satisfy, and show that existing approaches fall short of at least one. We then introduce COCOCO, a post-hoc framework that conformalizes concepts and labels jointly and reconciles them via a single deduction-abduction revision step. COCOCO satisfies all three desiderata, retains distribution-free coverage, is robust to imperfect knowledge and supports user-specified size budgets. Our experiments on 8 data sets highlight how COCOCO compares favorably against competitors and natural baselines in terms of performance and set size.
- Abstract（参考訳）: Neuro-Symbolic Concept-based Models (NeSy-CBM) は、ニューラルネットワークとシンボリック推論を統合するアーキテクチャのファミリである。
彼らはまず入力から高レベルな概念を抽出し、次に与えられた論理的制約と組み合わせてタスクラベルを推論する。
しかし、それらのラベルと概念予測は過度に信頼され、ステークホルダーがモデルの判断が信頼できるかどうかを判断することが困難になる。
我々は,厳密で分散のないカバレッジ保証を提供するフレームワークであるConformal Prediction (CP) のアイデアを統合することで,この問題に対処する。
我々は、NeSy-CBMのコンフォメーションメソッドが満足すべきである3つのデシダータ -- 一貫性、カバレッジ、簡潔さ -- を定式化し、既存のアプローチが少なくとも1つに満たないことを示す。
次にCOCOCOを紹介します。これは概念とラベルを共同で適合させ、1つの演目-引用修正ステップを通じてそれらを調整するポストホックフレームワークです。
COCOCOは3つのデシダータを全て満足し、配布なしのカバレッジを維持し、不完全な知識に対して堅牢であり、ユーザ特定サイズの予算をサポートする。
8つのデータセットに関する我々の実験は、COCOCOが競合相手や自然ベースラインとパフォーマンスとセットサイズで比較して好適に比較していることを示している。
関連論文リスト
- Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。
コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。
私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-05T14:48:52Z) - Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。
この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
論文 参考訳（メタデータ） (2026-03-21T14:15:34Z) - Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の基底予測である。
CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
論文 参考訳（メタデータ） (2026-03-05T19:37:49Z) - Concepts' Information Bottleneck Models [9.435622803973898]
概念ボトルネックモデル(Concept Bottleneck Models、CBM)は、人間の理解可能な概念層を通じて決定をルーティングすることで解釈可能な予測を提供することを目的としている。
I(C;Y)$でタスク関連情報を保存しながら$I(X;C)$をペナライズする概念層上に、明示的なInformation Bottleneck正規化器を導入し、最小限のコンセプト表現を奨励する。
論文 参考訳（メタデータ） (2026-02-16T10:33:20Z) - Controllable Concept Bottleneck Models [55.03639763625018]
制御可能な概念ボトルネックモデル(CCBM)
CCBMは、概念ラベルレベル、概念レベル、データレベルという3つのモデル編集の粒度をサポートする。
CCBMは、数学的に厳密な閉形式近似を享受し、再訓練の必要性を和らげる影響関数から導かれる。
論文 参考訳（メタデータ） (2026-01-01T19:30:06Z) - Partially Shared Concept Bottleneck Models [15.871749983667229]
概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、入力と予測の間に人間の理解可能な概念の層を導入することにより、解釈可能性を高める。
大規模言語モデル(LLM)と視覚言語モデル(VLM)を用いた概念生成の自動化手法
3つのコアコンポーネントを通じてこれらの制限に対処する部分共有CBMフレームワークであるPS-CBMを紹介する。
論文 参考訳（メタデータ） (2025-11-27T07:15:15Z) - Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。
KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
論文 参考訳（メタデータ） (2025-10-23T07:12:26Z) - Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。
パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。
我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
論文 参考訳（メタデータ） (2025-06-05T06:39:43Z) - Shortcuts and Identifiability in Concept-based Models from a Neuro-Symbolic Lens [16.834053030732548]
概念ベースモデル(concept-based Model)は、入力を高レベルな概念にマッピングする概念抽出器と、これらを予測に変換する推論層を学習するニューラルネットワークである。
概念ベースモデルと推論ショートカット(RS)の新たな接続を確立することでこの問題を研究する。
実験の結果は、RSの影響を浮き彫りにし、既存の手法と複数の自然緩和戦略が組み合わさっても、実際にこれらの条件を満たせない場合が多いことを示している。
論文 参考訳（メタデータ） (2025-02-16T19:45:09Z) - BEARS Make Neuro-Symbolic Models Aware of their Reasoning Shortcuts [21.743306538494043]
Reasoning ShortcutsはNeuro-Symbolic(NeSy)予測に影響を及ぼす可能性がある。
彼らは意図しない意味論を活用することによって、象徴的な知識と整合した概念を学ぶ。
我々はNeSyモデルが学習した概念の意味的あいまいさを確実に認識することを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:54:36Z)
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。