論文の概要: The Changing Role of Symbolic Methods in Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2607.05168v1
• Date: Mon, 06 Jul 2026 14:49:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.197467
• Title: The Changing Role of Symbolic Methods in Artificial Intelligence
• Title（参考訳）: 人工知能における記号法の役割の変化
• Authors: Jun Sun,
• Abstract要約: 論文は、明示的な象徴的推論は知性の基本的な性質ではなく、現実の単純化されたモデルを操作することによる計算結果であると主張している。 インテリジェントなシステムがより有能で不透明になるにつれて、象徴的な表現は、人間が要求を指定し、行動を確認し、自律的なシステムを規制し、信頼を確立するインターフェースとしてますます役立ちます。
• 参考スコア（独自算出の注目度）: 4.026428950248337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Why do intelligent systems need to perform explicit symbolic reasoning? Computer science has traditionally regarded symbolic reasoning as a defining component of intelligence. Yet the remarkable success of modern foundation models raises a fundamental question: if increasingly capable AI systems can operate with little explicit symbolic reasoning, what role do symbolic methods actually play? This article argues that explicit symbolic reasoning is not a fundamental property of intelligence, but a computational consequence of operating on simplified models of reality. We propose the Compression Principle: every computational model is a simplified representation of reality, and explicit symbolic reasoning compensates for information omitted during model construction. From this principle, we derive the Modeling--Reasoning Trade-off: as computational models preserve richer representations of the world, the need for explicit symbolic reasoning correspondingly decreases. This perspective provides a unified explanation for both the historical success of symbolic methods and the remarkable effectiveness of modern foundation models. Paradoxically, the same development makes symbolic methods increasingly important for humans. As intelligent systems become more capable and more opaque, symbolic representations increasingly serve as interfaces through which humans specify requirements, verify behavior, regulate autonomous systems, and establish trust. We therefore argue that the future of symbolic methods lies not primarily as the computational engine of intelligent systems, but as the symbolic interface between increasingly capable AI systems and the humans who build, govern, and depend upon them.
• Abstract（参考訳）: なぜインテリジェントシステムは明示的なシンボリック推論を行う必要があるのか? コンピュータ科学は伝統的に象徴的推論を知性の決定的な構成要素と見なしてきた。 しかし、現代の基礎モデルの顕著な成功は、根本的な疑問を提起している。AIシステムは、より能力の高いAIシステムがほとんど明示的な象徴的推論で機能できるなら、シンボリックメソッドは実際にどのような役割を果たすのか? 本稿は、明示的な象徴的推論は知性の基本的な性質ではなく、現実の単純化されたモデルを操作することによる計算結果であると主張している。 全ての計算モデルは現実の単純化された表現であり、明示的な記号的推論はモデル構築中に省略された情報に対して補償する。 この原理から、モデリング-推論トレードオフを導出する: 計算モデルは世界のより豊かな表現を保存するので、明示的な記号的推論の必要性は、それに応じて減少する。 この観点は、象徴的手法の歴史的成功と現代の基礎モデルの顕著な効果の両方について統一的な説明を提供する。 逆に、同じ発展によって、象徴的な方法が人間にとってますます重要になる。 インテリジェントなシステムがより有能で不透明になるにつれて、象徴的な表現は、人間が要求を指定し、行動を確認し、自律的なシステムを規制し、信頼を確立するインターフェースとしてますます役立ちます。 したがって、記号的手法の将来は、主にインテリジェントシステムの計算エンジンとしてではなく、ますます有能なAIシステムとそれらを構築し、支配し、依存する人間の間の象徴的インターフェースとして重要であると論じる。

関連論文リスト

• Interpretable by AI Mother Tongue: Native Symbolic Reasoning in Neural Models [0.0]
  ニューラルネットワークがネイティブなシンボリック言語であるAIマザートングを開発するフレームワークを提案する。 私たちのアプローチでは、推論を直接モデルの表現に組み込んでいます。 我々は,AIマザー・トングが神経モデルにおける解釈可能性,直観,象徴的推論の統一的なメカニズムとして機能することを示した。
  論文  参考訳（メタデータ） (2025-08-26T12:40:21Z)
• Model-Grounded Symbolic Artificial Intelligence Systems Learning and Reasoning with Model-Grounded Symbolic Artificial Intelligence Systems [7.000073566770884]
  ニューロシンボリック人工知能(AI)システムは、ニューラルネットワークと古典的なシンボリックAIメカニズムを組み合わせたシステムである。 従来の学習や推論のパラダイムと構造的類似性を維持する新しい学習・推論手法を開発した。
  論文  参考訳（メタデータ） (2025-07-14T01:34:05Z)
• Formal Explanations for Neuro-Symbolic AI [28.358183683756028]
  本稿では,ニューロシンボリックシステムの決定を説明するための公式なアプローチを提案する。 これはまず、説明が必要な神経情報の個々の部分のサブセットを特定するのに役立つ。 これに続いて、階層的な形式的な説明の簡潔さを促進するために、互いに独立して、これらの個々の神経入力のみを説明する。
  論文  参考訳（メタデータ） (2024-10-18T07:08:31Z)
• Symbol-LLM: Leverage Language Models for Symbolic System in Visual Human Activity Reasoning [58.5857133154749]
  本稿では,広い範囲のシンボルと合理的なルールを持つ新しい記号体系を提案する。 我々は,LLMの最近の進歩を2つの理想的な性質の近似として活用する。 本手法は,広範囲な活動理解タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-11-29T05:27:14Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• The Roles of Symbols in Neural-based AI: They are Not What You Think! [25.450989579215708]
  知的エージェントのための新しいニューロシンボリック仮説と有望なアーキテクチャを提案する。 私たちの仮説と関連するアーキテクチャは、シンボルが知的システムの将来に重要なままであることを示している。
  論文  参考訳（メタデータ） (2023-04-26T15:33:41Z)
• Emergence of Machine Language: Towards Symbolic Intelligence with Neural Networks [73.94290462239061]
  本稿では、ニューラルネットワークを用いてシンボルとコネクショナリズムの原理を組み合わせることで、離散表現を導出することを提案する。 対話型環境とタスクを設計することにより、機械が自発的で柔軟でセマンティックな言語を生成できることを実証した。
  論文  参考訳（メタデータ） (2022-01-14T14:54:58Z)
• pix2rule: End-to-end Neuro-symbolic Rule Learning [84.76439511271711]
  本稿では,画像のオブジェクトへの処理,学習関係,論理規則に関する完全なニューロシンボリックな手法を提案する。 主な貢献は、シンボリックリレーションとルールを抽出できるディープラーニングアーキテクチャにおける差別化可能なレイヤである。 我々のモデルは最先端のシンボリックラーナーを超えてスケールし、ディープリレーショナルニューラルネットワークアーキテクチャよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2021-06-14T15:19:06Z)
• Relational reasoning and generalization using non-symbolic neural networks [66.07793171648161]
  これまでの研究では、ニューラルネットワークは数学的同一性を表現することができないため、人間関係推論の適切なモデルではないことが示唆された。 ニューラルネットワークは、基本等式(数学的同一性)を学習し、(2)正のトレーニングインスタンスのみを持つ逐次等式問題(ABAパターンの学習シーケンス)、(3)基本等式トレーニングインスタンスのみを持つ複雑で階層的等式問題(英語版)を学習できる。 これらの結果は,データ駆動型,非記号的学習プロセスから,象徴的推論の本質的な側面が生まれることを示唆している。
  論文  参考訳（メタデータ） (2020-06-14T18:25:42Z)
• Leap-Of-Thought: Teaching Pre-Trained Models to Systematically Reason Over Implicit Knowledge [96.92252296244233]
  大規模な事前学習言語モデル(LM)は推論能力を得るが、制御は困難である。 本研究では,暗黙的,事前学習された知識と明示的な自然言語文を併用して,体系的推論を確実に行うことができることを示す。 我々の研究は、シンプルな自然言語文を追加することで、モデルを簡単に修正できるユーザと対話することで、常に改善されるオープンドメインシステムへの道を開く。
  論文  参考訳（メタデータ） (2020-06-11T17:02:20Z)

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。