論文の概要: Logic, Optimization, and Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2607.15532v1
• Date: Fri, 17 Jul 2026 00:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.723684
• Title: Logic, Optimization, and Artificial Intelligence
• Title（参考訳）: 論理・最適化・人工知能
• Abstract要約: ルールベースのAIは、今日の高度に高度な最適化方法により、透明性に対する自然なソリューションを提供する。 本稿では、確率論的論理、ベイズ論理、信念論理、デンプスター・シェーファー理論など、論理最適化パートナーシップのいくつかの分野について調査する。 これは、論理と最適化の両方の基本的な問題であるプロジェクションの計算方法を示し、決定図と論理に基づくベンダー分解を使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Logic and optimization can, in combination, make valuable contributions to rule-based AI. Logic is the obvious medium for encoding a rule base and drawing inferences from it, while optimization provides a powerful technology for computing inferences. Their combination has taken on new relevance amid a growing concern for transparency in AI. which is important for reproducibility, explainability, trustworthiness, and fairness. Rule-based AI provides a natural solution to transparency that is becoming increasingly practical due to today's highly advanced optimization methods. This article surveys several areas of logic-optimization partnership, including probabilistic logic, Bayesian logic, belief logics and Dempster-Shafer theory, nonmonotonic (default) logic, many-valued logics, and inference of logical formulas from noisy data based on Boolean regression. It shows how to compute projections, the fundamental problem of both logic and optimization, using decision diagrams and logic-based Benders decomposition. It describes the use of postoptimality analysis to explain how conclusions are reached, further enhancing transparency, as well as the role of optimization in answer set programming modulo theories. The paper concludes by suggesting possible future research directions.
• Abstract（参考訳）: 論理と最適化を組み合わせれば、ルールベースのAIに貴重な貢献ができる。 ロジックはルールベースをコーディングし、それから推論を引き出すための明らかな媒体であり、最適化は推論を計算するための強力な技術を提供する。 彼らの組み合わせは、AIの透明性に対する懸念が高まっている中で、新たな関連性に結びついている。 再現性、説明可能性、信頼性、公平性にとって重要です ルールベースのAIは、今日の高度に高度な最適化方法により、透明性に対する自然なソリューションを提供する。 本稿では,確率論的論理,ベイズ論理,信念論理,デンプスター・シェーファー理論,非モノトニック(デフォルト)論理,多値論理,およびブール回帰に基づく雑音データからの論理公式の推論など,論理最適化パートナーシップのいくつかの領域について検討する。 これは、論理と最適化の両方の基本的な問題であるプロジェクションの計算方法を示し、決定図と論理に基づくベンダー分解を使用する。 この論文は、結論の達成方法を説明するための最適後の分析の使用、透明性の向上、および解集合プログラミングのモジュラー理論における最適化の役割について記述している。 この論文は、今後の研究の方向性を示唆することで締めくくっている。

関連論文リスト

• A Balanced Neuro-Symbolic Approach for Commonsense Abductive Logic [21.003276503456632]
  本稿では,大規模言語モデルによって提供されるコモンセンス関係を用いて論理問題を拡張するための新しい手法を提案する。 これは、有用な事実を見つける可能性を最大化するために、潜在的コモンセンス仮定による探索手順を含む。
  論文  参考訳（メタデータ） (2026-01-26T15:40:26Z)
• Logic-Parametric Neuro-Symbolic NLI: Controlling Logical Formalisms for Verifiable LLM Reasoning [13.291627429657412]
  本稿では,ニューロシンボリックな自然言語推論のための論理パラメトリックフレームワークを提案する。 古典的および非古典的形式主義を高階論理に組み込む。 論理内部戦略が一貫して性能を向上できることを示す。
  論文  参考訳（メタデータ） (2026-01-09T10:47:30Z)
• Training LLMs with LogicReward for Faithful and Rigorous Reasoning [75.30425553246177]
  定理証明器を用いてステップレベルの論理的正しさを強制することでモデルトレーニングを指導する報酬システムであるLogicRewardを提案する。 LogicRewardで構築されたデータに基づいてトレーニングされた8Bモデルは、GPT-4oとo4-miniを11.6%、自然言語推論と論理的推論タスクで2%超えた。
  論文  参考訳（メタデータ） (2025-12-20T03:43:02Z)
• Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
  この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。 推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
  論文  参考訳（メタデータ） (2025-12-03T13:16:35Z)
• Making Mathematical Reasoning Adaptive [61.45161826629692]
  大規模言語モデル(LLM)における適応推論を実現するためのAdaRフレームワークを提案する。 AdaRは可変値によって論理的に等価なクエリを合成し、これらのデータに基づいてRLVRでモデルを訓練し、スプリアス論理をペナルライズする。 実験により, AdaRはロバスト性や一般化を向上し, 数学的推論の大幅な改善を実現していることが示された。
  論文  参考訳（メタデータ） (2025-10-06T09:30:05Z)
• LOGICPO: Efficient Translation of NL-based Logical Problems to FOL using LLMs and Preference Optimization [6.173941239083289]
  本稿では、選好最適化データセットにファインタニングを用いて、自然言語問題全体を一貫した論理プログラムに解析し、表現することを提案する。 Phi-3.5による最良のモデルでは、GPT-3.5-turboよりも10%精度が高く、構文エラーが14%少ない。
  論文  参考訳（メタデータ） (2025-06-23T08:15:24Z)
• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  カリキュラムベースの論理認識型チューニングフレームワークであるLACTを提案する。 具体的には、任意の一階論理クエリをバイナリツリー分解によって拡張する。 広く使われているデータセットに対する実験では、LATは高度な手法よりも大幅に改善(平均+5.5% MRRスコア)し、新しい最先端技術を実現している。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• Towards Invertible Semantic-Preserving Embeddings of Logical Formulae [1.0152838128195467]
  論理的要件とルールの学習と最適化は、人工知能において常に重要な問題である。 現在のメソッドは、カーネルメソッドを介して効果的なセマンティック保存の埋め込みを構築することができるが、それらが定義するマップは可逆ではない。 本稿では,グラフ変分オートエンコーダフレームワークに基づく深層アーキテクチャを応用した埋め込みの逆変換法について述べる。
  論文  参考訳（メタデータ） (2023-05-03T10:49:01Z)
• AISYN: AI-driven Reinforcement Learning-Based Logic Synthesis Framework [0.8356765961526955]
  我々は人工知能(AI)と強化学習(RL)アルゴリズムがこの問題の解決に役立つと考えている。 オープンソースのベンチマーク回路と産業用ベンチマーク回路を併用した実験により,論理合成最適化関数をAI駆動にすることで,面積,遅延,電力といった重要な指標を大幅に改善できることが判明した。
  論文  参考訳（メタデータ） (2023-02-08T00:55:24Z)
• Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
  我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。 他のものと比較して、LNNは古典的なブール論理と強く結びついている。 標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
  論文  参考訳（メタデータ） (2021-12-06T19:38:30Z)
• Logic-Driven Context Extension and Data Augmentation for Logical Reasoning of Text [65.24325614642223]
  論理的な記号や表現をテキストで理解し、答えにたどり着くよう提案します。 このような論理的情報に基づいて,文脈拡張フレームワークとデータ拡張アルゴリズムを提案する。 本手法は最先端の性能を実現し,論理駆動コンテキスト拡張フレームワークとデータ拡張アルゴリズムの両方が精度向上に寄与する。
  論文  参考訳（メタデータ） (2021-05-08T10:09:36Z)

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。