論文の概要: Overcoming the Impedance Mismatch: A Theoretical Roadmap for Fusing Foundation Models and Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2606.15656v1
- Date: Tue, 21 Apr 2026 17:30:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:12.898926
- Title: Overcoming the Impedance Mismatch: A Theoretical Roadmap for Fusing Foundation Models and Knowledge Graphs
- Title（参考訳）: インピーダンスミスマッチを克服する - ファンデーションモデルと知識グラフの融合のための理論的ロードマップ
- Abstract要約: 構造的および幾何学的摩擦をtextitImpedance Mismatch として定式化する。
本稿では,真の意味融合を実現するための厳密な理論的ロードマップを提案する。
このフレームワークは、シンボリック論理の精度をパラメトリックメモリの表現率とシームレスに融合するモデルを構築する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern artificial intelligence remains fundamentally divided between the continuous, probabilistic spaces of Foundation Models and the discrete, deterministic structures of Knowledge Graphs. While Retrieval-Augmented Generation (RAG) attempts to connect them by serializing graph data into text, we argue this lexical bridging is merely a superficial patch. In this paper, we formalize the underlying structural and geometric friction as the \textit{Impedance Mismatch}. By categorizing current neuro-symbolic integration strategies into a three-tiered hierarchy, we demonstrate that neither surface-level prompt injection nor continuous representation alignment can preserve the strict logical motifs required for reliable multi-hop reasoning. We define the specific mathematical limits, such as the Lexical Bottleneck and Topological Collapse, that show current architectures will eventually hallucinate or conflate semantic nodes. To achieve true semantic fusion, we propose a rigorous theoretical roadmap. We advocate for natively internalizing discrete symbolic structures through Structured Residual Streams, utilizing Vector Symbolic Architectures for latent sub-graph injection, and performing model updates via Orthogonal Subspace Editing. This actionable framework paves the way for models that seamlessly fuse the precision of symbolic logic with the expressivity of parametric memory.
- Abstract（参考訳）: 現代の人工知能は、基礎モデルの連続的確率論的空間と、知識グラフの離散的決定論的構造とを根本的に分けている。
Retrieval-Augmented Generation (RAG)はグラフデータをテキストにシリアライズすることでそれらを接続しようとするが、この語彙ブリッジは単なる表面パッチであると主張する。
本稿では,構造的および幾何学的摩擦を<textit{Impedance Mismatch} として定式化する。
現状のニューロシンボリック統合戦略を3階層階層の階層に分類することにより、表面レベルのプロンプトインジェクションや連続的なアライメントアライメントは、信頼性の高いマルチホップ推論に必要な厳密な論理的モチーフを維持できないことを示した。
我々は、Lexical BottleneckやTopological Collapseのような特定の数学的限界を定義し、現在のアーキテクチャが最終的にセマンティックノードを幻覚または説明することを示す。
真の意味融合を実現するために,厳密な理論的ロードマップを提案する。
我々は、構造的残差ストリームによる離散的シンボル構造をネイティブに内部化し、ベクトルシンボルアーキテクチャを潜在部分グラフ注入に利用し、直交部分空間編集によるモデル更新を行うことを提唱する。
この実行可能なフレームワークは、シンボリック論理の精度をパラメトリックメモリの表現率とシームレスに融合するモデルの道を開く。
関連論文リスト
- Beyond $L_2$: Generalizing Abductive Latent Explanations to Diverse Prototype-Based Architectures [7.001970497421476]
ALE (Abductive Latent Explanations) は形式的で数学的に保証された説明を提供するために導入された。
ALEは形式的な説明をするために、潜在空間距離の厳密な境界の計算に依存している。
本研究では,非ユークリッドプロトタイプアーキテクチャをサポートするために,ALEフレームワークを一般化する。
論文 参考訳（メタデータ） (2026-08-17T16:20:20Z) - TopoFormer: Topology Meets Attention for Graph Learning [8.679678575739304]
Topoformerは、トポロジ的構造を注意に優しいシーケンスにエンコードするグラフ表現学習のフレームワークである。
提案手法のコアとなるTopo-Scanは,グラフを短い順序付きトポロジカルトークン列に分解する新しいモジュールである。
論文 参考訳（メタデータ） (2026-07-30T14:18:17Z) - Nested Episodic State Topology (NEST): A Graph-Theoretic Architecture of Cognitive States [0.0]
NESTは認知をモデル化するためのグラフ理論表現オントロジーである。
概念、エピソード、パーセプション、タスクコンテキストは型付き重み付きグラフとして表現される。
再利用可能な演算子ツールキットは、フォーマルコアを編成する。
論文 参考訳（メタデータ） (2026-07-07T09:31:55Z) - DiffMath: Symbol- and Graph-Aware Latent Diffusion Transformer for Handwritten Mathematical Expression Generation [47.67907704295109]
手書きの数学的表現生成(HMEG)は複雑な2次元レイアウトと長距離依存のため困難である。
本研究では,シンボル指向グラフ対応潜在拡散フレームワークDiffMathを提案する。
実験により、DiffMathは構造的に一貫した手書き表現を生成し、既存の手法よりも優れた性能を示し、下流モデルの精度を向上させる。
論文 参考訳（メタデータ） (2026-06-18T08:37:02Z) - Are Common Substructures Transferable? Riemannian Graph Foundation Model with Neural Vector Bundles [53.65187206795911]
我々はニューラルベクトルバンドルと呼ばれるグラフ固有の幾何学学習フレームワークを開発した。
GAUGEは,ベクトルバンドルを構築し,幾何学的に整合した局所座標を平坦化する,事前学習可能なニューラルネットワークアーキテクチャである。
ゼロショットリンク予測やグラフ同型を含む課題タスクにおいて,その優れた表現性を実証的に検証する。
論文 参考訳（メタデータ） (2026-06-02T07:35:42Z) - Why Advanced Encoders Lag on Sparse Retrieval? The Answer and an Approach to Bridging Vocabulary Gaps [5.182584489074576]
現代のトークン化器は、単一の意味単位を冗長な表面形式にマッピングする、生のケースセンシティブな語彙を利用する。
モデルに依存しないフレームワークであるtextbfVocabulary Transfer (VT) を提案する。
VTは普遍的に有効であり、ModernBERTはBEIRベンチマークで最先端のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2026-04-20T05:52:25Z) - Distilling Formal Logic into Neural Spaces: A Kernel Alignment Approach for Signal Temporal Logic [6.419602857618508]
形式仕様の連続的ニューラル表現を学習するためのフレームワークを導入する。
シンボリックロバストネスカーネルをトランスフォーマーエンコーダに蒸留する。
エンコーダは1つのフォワードパスに埋め込みを生成し、計算コストのごく一部でカーネルのロジックを効果的に模倣する。
論文 参考訳（メタデータ） (2026-03-05T14:08:25Z) - On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。
本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。
FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
論文 参考訳（メタデータ） (2026-03-05T06:08:50Z) - 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) - In-situ graph reasoning and knowledge expansion using Graph-PReFLexOR [0.0]
グラフ推論とシンボリック抽象化を組み合わせてドメイン知識を動的に拡張するフレームワークであるGraph-PReFLexORを提案する。
強化学習に触発されて、推論は構造化されたマッピングとして定義され、タスクが知識グラフ、抽象パターン、そして最終的には最終回答を生み出す。
その結果、より優れた推論深度と適応性を示し、透明で多分野のAI駆動型発見の可能性を示している。
論文 参考訳（メタデータ） (2025-01-14T13:52:41Z) - Learning Visual-Semantic Subspace Representations [49.17165360280794]
我々は,自己教師型学習に有効な情報理論の原理を基礎として,核ノルムに基づく損失関数を導入する。
この損失の理論的特徴として、クラス性の促進に加えて、部分空間格子内のデータのスペクトル幾何学を符号化していることを示す。
論文 参考訳（メタデータ） (2024-05-25T12:51:38Z) - 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)
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。