論文の概要: G-RRM: Guiding Symbolic Solvers with Recurrent Reasoning Models
- arxiv url: http://arxiv.org/abs/2607.02491v1
- Date: Thu, 02 Jul 2026 17:53:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.959723
- Title: G-RRM: Guiding Symbolic Solvers with Recurrent Reasoning Models
- Title（参考訳）: G-RRM:リカレント推論モデルによるシンボリックな解の導出
- Authors: Timo Bertram, Sidhant Bhavnani, Richard Freinschlag, Erich Kobler, Andreas Mayr, Günter Klambauer,
- Abstract要約: 本稿では,SE-RRMを制約満足度問題に対するシンボリック・ソルバと統合するニューロシンボリック・アプローチとして,リカレント推論モデルによる誘導(G-RRM)を提案する。
SE-RRMは、完全な解法の提案を生成し、古典的記号解法を導く神経解法として機能する。
G-RRMはシンボリック・ソルバの探索効率を向上させる。
- 参考スコア（独自算出の注目度）: 7.77408026290318
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we focus on SE-RRMs, a symbol-equivariant instantiation of RRMs that exhibits improved extrapolation to larger problem sizes. We propose a neuro-symbolic approach, ``Guiding with Recurrent Reasoning Models'' (G-RRM), which integrates SE-RRMs with symbolic solvers for constraint satisfaction problems. SE-RRMs act as neural solvers that generate full solution proposals and guide classical symbolic solvers, such as backtracking or SAT-based methods like Glucose 4.1 and CaDiCaL 3.0.0, that produce globally correct solutions. Centrally, we investigate when neural guidance with G-RRM improves the search efficiency of symbolic solvers. % Our experiments show that the efficacy of G-RRM depends on two conditions: first, the problem instances must have an expansive combinatorial search space to expose potential gains, and second, the solver architecture must be capable of dynamically overwriting its branching choices to recover when neural hints are imperfect. When these conditions hold, guidance drives median conflict counts to zero and yields significant wall-clock speedups: on $9\times9$ Sudoku, where the SE-RRM correctly solves $91.1\%$ of instances, backtracking accelerates by $33.3\times$ and Glucose 4.1 by $1.70\times$ (median, $p<0.001$), with Glucose 4.1 retaining a $1.17\times$ speedup on perfect-hint $25\times25$ grids. In contrast, CaDiCaL 3.0.0, whose runtime is overhead-dominated and which always respects the injected branching hints rather than overwriting them, shows no significant speedup (median $1.02\times$, n.s.) and even a small significant mean slowdown ($0.90\times$) on $9\times9$. These results delineate the regimes in which neural guidance translates into practical speedups.
- Abstract（参考訳）: 本研究では, RRMのシンボル等価なインスタンス化であるSE-RRMに着目し, より大きな問題サイズに対する外挿改善を示す。
本稿では,SE-RRMを制約満足度問題に対するシンボリック・ソルバと統合したニューロシンボリック・アプローチである'Guiding with Recurrent Reasoning Models' (G-RRM)を提案する。
SE-RRMは、完全なソリューションの提案を生成し、バックトラックやGlucose 4.1やCaDiCaL 3.0.0のようなSATベースの手法のような古典的なシンボリック・ソルバを導く神経解法として機能する。
本稿では,G-RRMを用いたニューラルガイダンスにより,記号解法の探索効率が向上するかどうかを考察する。
%) G-RRMの有効性は2つの条件に依存することを示す: まず, 問題インスタンスは潜在的な利得を明らかにするために拡張的な組合せ探索空間を持つ必要があり, 次に, ニューラルネットワークのヒントが不完全である場合に, 分岐選択を動的に上書きし直さなければならない。
その場合、SE-RRMは9.11.1.%のインスタンスを正しく解決し、バックトラックは3.3.3.times$、Glucose 4.1は1.70.times$(median, $p<0.001$)となり、Glucose 4.1は1.17.times$を完全な25.5.times25$グリッドで保持する。
対照的に、CaDiCaL 3.0.0は、ランタイムがオーバーヘッドに支配されており、オーバーライトよりも注入された分岐ヒントを常に尊重しているため、大幅なスピードアップ(現在の$1.02\times$, n.s.)や、9.0\times9$の小さな平均スローダウン(0.90\times$)さえも示していない。
これらの結果は、神経誘導が実践的なスピードアップに変換される状況を明確にする。
関連論文リスト
- The Deterministic Horizon: When Extended Reasoning Fails and Tool Delegation Becomes Necessary [13.891522069967507]
拡張連鎖推論は決定論的状態追跡タスクのパフォーマンスを低下させる。
ツール統合推論がニューラル・チェーン・オブ・シントを一貫して上回ることを示す。
本研究は, エージェントシステムにおいて, 純粋なニューラル推論がハイブリッドアプローチにいつ適用されるべきかについて, 基本的ガイダンスを提供する。
論文 参考訳（メタデータ） (2026-05-29T21:35:23Z) - LoRe: Adaptive Interaction-Evaluation Routing with Per-Step Interaction Budgets for Iterative Graph Solvers [13.286251127911719]
トレーニング不要で、推論時のドロップインラッパーであるLoReを紹介します。
完全に包括的なエンドツーエンドのウォール・クロック・カウンセリングの下で、LoReは最大独立セット(MIS)問題におけるスケーラビリティを大幅に改善する。
LoReは、$sim 15times$ $n=1000$のスピードアップを達成し、メモリ削減と競争力のあるツアー品質は440times$である。
論文 参考訳（メタデータ） (2026-05-27T19:00:57Z) - Reinforcement Learning from Multi-Source Imperfect Preferences: Best-of-Both-Regimes Regret [71.69884486156359]
我々は, 累積的不完全化予算を用いて, エンフルティソースの不完全性選好からエピソードRLを考察した。
我々は,最良な登録行動を示す,後悔$tildeO(sqrtK/M+)$の統一アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-03-20T19:34:53Z) - Radial Müntz-Szász Networks: Neural Architectures with Learnable Power Bases for Multidimensional Singularities [3.1861308132183375]
ラジアル Mntz-Szsz Networks (RMN) は、学習可能なラジアルパワーの線形結合として、負の指数を含む$r$を表す。
RMNは座標よりも1.5$times$-51$times$低いRMSE、10$times$-100$times$低いRMSEを達成する。
論文 参考訳（メタデータ） (2026-02-09T09:25:37Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Near-Optimal Clustering in Mixture of Markov Chains [74.3828414695655]
我々は、長さ$H$の軌跡を、大きさ$S$の有限状態空間上の未知のエルゴードマルコフ鎖の1つによって生成される、$T$ trajectories of length $H$の問題を研究する。
我々は、連鎖の遷移核間の重み付きKL分散によって支配されるクラスタリングエラー率に基づいて、インスタンス依存で高い確率の低い境界を導出する。
次に,新しい2段階クラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-02T05:10:40Z) - Matching the Statistical Query Lower Bound for $k$-Sparse Parity Problems with Sign Stochastic Gradient Descent [83.85536329832722]
我々は、2層完全連結ニューラルネットワーク上での符号勾配降下(SGD)による$k$スパースパリティ問題を解く。
このアプローチは、$d$次元ハイパーキューブ上での$k$スパースパリティ問題を効率的に解くことができることを示す。
次に、符号SGDを持つトレーニングニューラルネットワークが、この優れたネットワークを効果的に近似し、小さな統計的誤差で$k$-parity問題を解く方法を示す。
論文 参考訳（メタデータ） (2024-04-18T17:57:53Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳（メタデータ） (2022-11-17T13:01:26Z) - Distributed Random Reshuffling over Networks [7.013052033764372]
凸関数と滑らかな対象関数の問題を解くために分散resh-upr (D-RR) アルゴリズムを提案する。
特に、滑らかな凸対象関数に対して、D-RRはD-T収束率(T がエポック数を数える)を大域ドライブ間の距離で達成する。
論文 参考訳（メタデータ） (2021-12-31T03:59:37Z)
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。