論文の概要: The CRISTAL Method: Neurosymbolic analysis from AI-synthesized world models

• arxiv url: http://arxiv.org/abs/2606.29799v1
• Date: Mon, 29 Jun 2026 05:27:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.059826
• Title: The CRISTAL Method: Neurosymbolic analysis from AI-synthesized world models
• Title（参考訳）: CRISTAL法によるAI合成世界モデルからのニューロシンボリック解析
• Abstract要約: 複雑な分析を自動化するための神経シンボルフレームワークであるCRISTAL法について紹介する。 CRISTALは動的で解釈可能な確率的プログラムを構築し、完全なベイズ推論を可能にする。 企業分類タスクでは、CRISTALはベイズ最適精度を5つの例と5秒の予算で達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This project introduces the CRISTAL Method (Coherent Reliable Intentional Synthesis of Truthful Analysis Logic), a neurosymbolic framework for automating complex analysis workflows, with fundamental investment analysis as a primary use case. This domain poses major challenges: high structural uncertainty, noisy and subjective data, tight attention budgets, and the need for justified, reproducible decisions. Human analysts often struggle in this domain due to cognitive biases and limitations, suggesting significant value in automation. But while LLM-based agents have been proposed as analytical aids, their limitations -- poor numerical reasoning, unawareness of uncertainty, and lack of reproducibility -- hinder their effectiveness in this context. CRISTAL addresses these gaps through a principled blend of statistical model synthesis, continuous learning, and active learning. Starting from a natural-language prior knowledge curriculum, CRISTAL builds a dynamic, interpretable probabilistic program that enables full Bayesian inference, including uncertainty quantification and budget-aware data acquisition. CRISTAL continually refines its world model during analysis, leveraging LLMs for code synthesis and learning. We validate CRISTAL on a novel benchmark of synthetic equities with rich financial and textual data. On a company classification task, CRISTAL achieves Bayes-optimal accuracy with just 5 examples and a 5-second budget, outperforming state-of-the-art LLMs that plateau around 40\% accuracy even with order-of-magnitude more input data and compute.
• Abstract（参考訳）: 本稿では、複雑な分析ワークフローを自動化するための神経象徴的フレームワークであるCRISTAL法(Coherent Reliable Intentional Synthesis of Truthful Analysis Logic)を紹介する。 このドメインは、高い構造的不確実性、ノイズと主観的なデータ、厳格な注意予算、正当化された再現可能な決定の必要性といった大きな課題を提起する。 人間のアナリストは、認知バイアスと制限のために、この領域でしばしば苦労し、自動化において重要な価値を示唆する。 しかし、LSMベースのエージェントは分析的援助として提案されているが、それらの制限 -- 数値的推論の貧弱さ、不確実性の不認識、再現性の欠如 -- は、この文脈におけるそれらの効果を妨げている。 CRISTALは統計モデル合成、連続学習、アクティブラーニングの原則を混ぜ合わせてこれらのギャップに対処する。 自然言語による事前知識のカリキュラムから始まり、CRISTALは動的で解釈可能な確率的プログラムを構築し、不確実性定量化や予算対応データ取得を含む完全なベイズ推論を可能にする。 CRISTALは、コード合成と学習にLLMを活用することで、分析中に世界モデルを継続的に洗練する。 我々は、CRISTALを、豊富な財務データとテキストデータによる合成株式の新たなベンチマークで検証する。 企業分類タスクでは、CRISTALは5つのサンプルと5秒の予算でベイズ最適の精度を達成し、より高次の入力データや計算データでも40倍の精度で最先端のLLMを達成している。

関連論文リスト

• Physics-Distilled Neural Network enabled by Large Language Models for Manufacturing Process-Property Predictive Modeling [8.459710888681117]
  製造におけるプロセス-プロパティ関係の予測は、高い実験コストと複雑な「ブラックボックス」モデルの限定的な解釈可能性によってしばしば挑戦される。 本稿では,データスカースシナリオにおける高精度な予測を実現するための新しい知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-10T03:05:42Z)
• Analytica: Soft Propositional Reasoning for Robust and Scalable LLM-Driven Analysis [14.518790584034761]
  Analyticaは、Soft Propositional Reasoning(SPR)の原理に基づく新しい大規模言語モデル(LLM)エージェントアーキテクチャである。 バイアスを低減するために、まずサブプロポジションのツリーに問題が発生し、データ駆動分析のための新しいJupyter Notebookエージェントを含むツール付きLLMグライダーエージェントが採用され、事実の検証とスコアリングに役立ちます。 我々の理論的および実証的な結果は、Analyticaが様々なベースモデルに対して平均15.84%の精度を向上し、71.06%の精度を達成していることを示している。
  論文  参考訳（メタデータ） (2026-04-24T23:56:53Z)
• Evaluating the Formal Reasoning Capabilities of Large Language Models through Chomsky Hierarchy [62.32144504442516]
  SOTA LLMが形式言語の構造的・階層的複雑性を把握できるかどうかは不明である。 ChomskyBench はchomsky Hierarchy のレンズを通して LLM を体系的に評価するためのベンチマークである。 ChomskyBenchは、各レベルで機能をテストするように設計された、言語認識と生成タスクの包括的なスイートで構成されている。
  論文  参考訳（メタデータ） (2026-04-03T04:06:39Z)
• Towards automated data analysis: A guided framework for LLM-based risk estimation [0.0]
  大規模言語モデル(LLM)は、ますます重要な意思決定パイプラインに統合されている。 この研究は、人間の指導と監督の下で生成AIを統合するデータセットリスク推定のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-04T21:44:22Z)
• Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
  この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。 本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
  論文  参考訳（メタデータ） (2026-01-20T18:46:42Z)
• Automated Analysis of Sustainability Reports: Using Large Language Models for the Extraction and Prediction of EU Taxonomy-Compliant KPIs [21.656551146954587]
  大規模言語モデル(LLM)は自動化への道筋を提供する。 190の企業レポートから,新たな構造化データセットを導入する。 その結果,定性的タスクと量的タスクの間に明らかなパフォーマンスギャップが明らかとなった。
  論文  参考訳（メタデータ） (2025-12-30T15:28:03Z)
• CryptoBench: A Dynamic Benchmark for Expert-Level Evaluation of LLM Agents in Cryptocurrency [60.83660377169452]
  本稿では,Large Language Model (LLM)エージェントの現実的能力を厳格に評価するために設計された,最初の専門家による動的ベンチマークであるCryptoBenchを紹介する。 検索と予測のための汎用エージェントベンチマークとは異なり、プロの暗号分析は特定の課題を提示する。
  論文  参考訳（メタデータ） (2025-11-29T09:52:34Z)
• AutoMalDesc: Large-Scale Script Analysis for Cyber Threat Research [81.04845910798387]
  脅威検出のための自然言語の説明を生成することは、サイバーセキュリティ研究において未解決の問題である。 本稿では,大規模に独立して動作する自動静的解析要約フレームワークAutoMalDescを紹介する。 アノテーション付きシード(0.9K)データセットや方法論,評価フレームワークなど,100万以上のスクリプトサンプルの完全なデータセットを公開しています。
  論文  参考訳（メタデータ） (2025-11-17T13:05:25Z)
• Analytical Survey of Learning with Low-Resource Data: From Analysis to Investigation [192.53529928861818]
  高リソースデータによる学習は人工知能(AI)において大きな成功を収めた しかし、データアノテーションやモデルトレーニングに関連するコストは依然として大きい。 本調査では,低リソースデータからの学習に伴う一般化誤差とラベル複雑性を分析するために,アクティブサンプリング理論を用いた。
  論文  参考訳（メタデータ） (2025-10-10T03:15:42Z)
• White-Basilisk: A Hybrid Model for Code Vulnerability Detection [45.03594130075282]
  我々は、優れた性能を示す脆弱性検出の新しいアプローチであるWhite-Basiliskを紹介する。 White-Basiliskは、パラメータ数2億の脆弱性検出タスクで結果を得る。 この研究は、コードセキュリティにおける新しいベンチマークを確立し、コンパクトで効率的に設計されたモデルが、特定のタスクにおいてより大きなベンチマークよりも優れているという実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-07-11T12:39:25Z)
• SwS: Self-aware Weakness-driven Problem Synthesis in Reinforcement Learning for LLM Reasoning [95.28059121743831]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、複雑な推論タスクにおいて、大規模言語モデル(LLM)のトレーニングに有効であることが証明されている。 本稿では、モデル欠陥を体系的に識別し、それらを問題解決に活用する自己認識弱さ駆動型問題合成フレームワーク(SwS)を提案する。 SwSはモデルを自己識別し、RLの弱点に対処することで堅牢な一般化を可能にし、7Bモデルと32Bモデルで平均パフォーマンスが10.0%と7.7%向上した。
  論文  参考訳（メタデータ） (2025-06-10T17:02:00Z)
• CDS: Knowledge Component-Driven Data Synthesis Guided by Cognitive Diagnosis Theory [39.579188324839386]
  大規模言語モデル(LLM)は大きな進歩を遂げているが、タスクの複雑さが増し、高いパフォーマンス要求が継続的改善の必要性を浮き彫りにしている。 いくつかの手法は、列車モデルの評価結果に基づいて、先進LLMによって生成された合成データを利用する。 本稿では,認知診断理論(CDT)にインスパイアされた診断プロセスを取り入れた認知診断合成(CDS)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-13T20:13:59Z)
• DANA: Domain-Aware Neurosymbolic Agents for Consistency and Accuracy [3.2354860243748873]
  大規模言語モデル(LLM)は目覚ましい能力を示しているが、その固有の確率論的性質は複雑な問題解決タスクの不整合と不正確性をもたらすことが多い。 本稿では、ドメイン固有の知識とニューロシンボリックアプローチを統合することで、これらの問題に対処するアーキテクチャであるDANAを紹介する。
  論文  参考訳（メタデータ） (2024-09-27T18:29:23Z)

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。