論文の概要: BiNSGPS: Geometry Problem Solving via Bidirectional Neuro-Symbolic Interaction

• arxiv url: http://arxiv.org/abs/2606.04648v1
• Date: Wed, 03 Jun 2026 09:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.65361
• Title: BiNSGPS: Geometry Problem Solving via Bidirectional Neuro-Symbolic Interaction
• Title（参考訳）: BiNSGPS: 双方向神経・シンボリック相互作用による幾何学的問題解決
• Authors: Qi Wang, Peijie Wang, Fei Yin, Cheng-Lin Liu,
• Abstract要約: BiNSGPSはMLLMアドバイザとソルバ間の双方向神経・シンボリック相互作用を確立するフレームワークである。 MLLMアドバイザはシンボルソルバからのフィードバックを積極的に取り入れ、一貫性のない形式表現を動的に修正する。
• 参考スコア（独自算出の注目度）: 45.32907555157728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometry problem solving poses distinct challenges in artificial intelligence. Existing approaches typically fall into two paradigms: symbolic methods, which exhibit limited adaptability, and neural methods, which are prone to hallucinations. Recent neuro-symbolic hybrids predominantly rely on a unidirectional pipeline where neural outputs are fed into solvers without feedback, making system brittle to early-stage errors. To break this unidirectional bottleneck, we propose BiNSGPS, a framework that establishes Bidirectional Neuro-Symbolic Interaction (BiNS) between a MLLM Adviser and a Symbolic Solver. MLLM Adviser actively incorporates feedback from the symbolic solver to dynamically rectify inconsistent formal representations or propose auxiliary hypotheses, resolving symbolic conflicts and facilitating complex deductions.
• Abstract（参考訳）: 幾何学的問題解決は、人工知能において異なる課題を提起する。 既存のアプローチは、適応性に制限のあるシンボリックメソッドと幻覚の傾向のあるニューラルメソッドの2つのパラダイムに分類される。 最近のニューロシンボリックハイブリッドは、主に一方向パイプラインに依存しており、神経出力はフィードバックなしで解決器に供給される。 この一方向ボトルネックを克服するために,MLLMアドバイザとシンボリックソルバーとの間の双方向神経・シンボリック相互作用(BiNS)を確立する枠組みであるBiNSGPSを提案する。 MLLMアドバイザは、シンボリック・ソルバからのフィードバックを積極的に取り入れ、一貫性のない形式表現を動的に修正したり、補助的な仮説を提案し、シンボリック・コンフリクトを解消し、複雑な推論を促進する。

関連論文リスト

• WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
  脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。 我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。 結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
  論文  参考訳（メタデータ） (2025-09-26T06:21:51Z)
• Why Neural Network Can Discover Symbolic Structures with Gradient-based Training: An Algebraic and Geometric Foundation for Neurosymbolic Reasoning [73.18052192964349]
  我々は、連続的なニューラルネットワークトレーニングのダイナミックスから、離散的なシンボル構造が自然に現れるかを説明する理論的枠組みを開発する。 ニューラルパラメータを測度空間に上げ、ワッサーシュタイン勾配流としてモデル化することにより、幾何的制約の下では、パラメータ測度 $mu_t$ が2つの同時現象となることを示す。
  論文  参考訳（メタデータ） (2025-06-26T22:40:30Z)
• Compositional Generalization Across Distributional Shifts with Sparse Tree Operations [77.5742801509364]
  我々は、微分可能木機械と呼ばれる統合されたニューロシンボリックアーキテクチャを導入する。 シンボル構造の疎ベクトル表現を用いることで,モデルの効率を大幅に向上する。 より一般的なseq2seq問題に制限されたtree2tree問題以外の適用を可能にする。
  論文  参考訳（メタデータ） (2024-12-18T17:20:19Z)
• Softened Symbol Grounding for Neuro-symbolic Systems [24.587628032516033]
  本稿では,2つの世界間のギャップを埋める,新しい,軟化されたシンボル接地プロセスを提案し,効果的かつ効率的なニューロシンボリック学習の枠組みを提示する。 本フレームワークは,(1)ボルツマン分布としてシンボル解状態のモデル化を特徴とし,高コストな状態探索を回避し,ネットワークトレーニングとシンボル推論の相互に有益な相互作用を促進する。 3つの代表的なニューロシンボリック・ラーニング・タスクを用いた実験により,その優れたシンボルグラウンドリング能力により,我々のフレームワークは,既存の提案のフロンティアを越えた問題解決に成功していることが示された。
  論文  参考訳（メタデータ） (2024-03-01T06:57:09Z)
• Correlative Information Maximization: A Biologically Plausible Approach to Supervised Deep Neural Networks without Weight Symmetry [43.584567991256925]
  本稿では,生体神経ネットワークにおける信号伝達を前方方向と後方方向の両方で記述するための新しい規範的アプローチを提案する。 このフレームワークは、従来のニューラルネットワークとバックプロパゲーションアルゴリズムの生物学的評価可能性に関する多くの懸念に対処する。 提案手法は,前方信号伝搬路と後方信号伝搬路の重み対称性問題に対する自然な解法を提供する。
  論文  参考訳（メタデータ） (2023-06-07T22:14:33Z)
• A Computational Framework of Cortical Microcircuits Approximates Sign-concordant Random Backpropagation [7.601127912271984]
  本稿では,新しいマイクロ回路アーキテクチャとヘビアン学習規則の支持からなる仮説的枠組みを提案する。 我々は, 局所的な区画内でのヘビアン則を用いて, シナプス重みを更新し, 生物学的に妥当な方法で教師あり学習を実現する。 提案するフレームワークは、MNISTやCIFAR10などいくつかのデータセットでベンチマークされ、BP互換の有望な精度を示す。
  論文  参考訳（メタデータ） (2022-05-15T14:22:03Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。