論文の概要: NeurOWL: An LLM-Based Neural-symbolic Framework for Incomplete OWL Ontology Reasoning

• arxiv url: http://arxiv.org/abs/2607.15776v1
• Date: Fri, 17 Jul 2026 09:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.811573
• Title: NeurOWL: An LLM-Based Neural-symbolic Framework for Incomplete OWL Ontology Reasoning
• Title（参考訳）: 非完全OWLオントロジー推論のためのLLMに基づくニューラルシンボリックフレームワークNeurOWL
• Abstract要約: 我々は、基本的な仮定推論問題に焦点をあてる。 終端から終端までのニューロシンボリック・フレームワークであるNeurOWLを提案する。 実世界のNeurOWLを複数の領域にまたがって評価する。
• 参考スコア（独自算出の注目度）: 15.085939995703667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: OWL ontologies provide a formal knowledge representation framework that enables semantic reasoning, and have been widely adopted across domains such as healthcare and bioinformatics. In practice, however, real-world ontologies are often incomplete, which pose challenges for reasoning. In this work, we focus on a fundamental subsumption reasoning problem: given an incomplete ontology and a candidate (non-entailed) subsumption, determine whether the subsumption is semantically plausible and, if so, providing a logically sound explanation containing potential missing axioms. This task unifies subsumption verification with ontology abduction, and generalizes the latter by removing the need for a predefined candidate set of missing axioms. To address this subsumption reasoning problem, we propose NeurOWL, an end-to-end neuro-symbolic framework that jointly performs verification and abduction, leveraging both formally defined semantics and textual semantics through Large Language Models and ontology embeddings. We evaluate NeurOWL on real-world ontologies across multiple domains, demonstrating strong and robust performance across different domains.
• Abstract（参考訳）: OWLオントロジーは、意味論的推論を可能にする形式的な知識表現フレームワークを提供し、医療やバイオインフォマティクスなどの領域で広く採用されている。 しかし実際には、現実世界のオントロジーはしばしば不完全であり、推論に挑戦する。 本研究では、不完全オントロジーと候補(非詳細)の仮定を与えられた場合、その仮定が意味論的に妥当かどうかを判断し、もしそうであれば、潜在的に欠落した公理を含む論理的に健全な説明を与えるという、基本的な仮定推論問題に焦点を当てる。 このタスクは、オントロジー推論と仮定検証を統一し、不足公理の事前定義された候補セットの必要性を取り除き、後者を一般化する。 この仮定推論問題に対処するため、我々は、大規模言語モデルとオントロジー埋め込みを通じて、形式的に定義された意味論とテキスト意味論の両方を活用することによって、検証と誘拐を共同で行うエンドツーエンドのニューラルシンボリックフレームワークNeurOWLを提案する。 我々は,複数の領域にまたがる実世界のオントロジー上でNeurOWLを評価し,複数の領域にまたがる強靭かつ堅牢な性能を示す。

関連論文リスト

• The Periodic Table of LLM Reasoning: A Structured Survey of Reasoning Paradigms, Methods, and Failure Modes [55.42597391158023]
  この調査は、arXiv、Semantic Scholar、Google Scholar、Papers with Code、ACL Anthologyの300以上の最近の論文の体系的な分析を提供する。 本稿では、推論研究の構造的分類を導入し、チェーン・オブ・ソート推論、マルチホップ推論、数学的推論、常識推論、視覚的および時間的推論、コードとアルゴリズム的推論、検索強化推論、ツール強化およびエージェント的推論、強化学習に基づく推論について紹介する。 我々は、繰り返し発生する制限と失敗モードを合成する。例えば、幻覚の推論、脆い多段階推論、弱い因果的抽象、貧弱な交差などである。
  論文  参考訳（メタデータ） (2026-06-09T21:59:37Z)
• Grounding vs. Compositionality: On the Non-Complementarity of Reasoning in Neuro-Symbolic Systems [0.0]
  ニューロシンボリックAIにおける中心的な前提は、構成的推論が、成功しているシンボルグラウンドの副産物として現れることである。 この研究は、基礎づけと推論の貢献を断ち切ることで、この仮定に挑戦する最初の体系的な経験的分析を提示する。
  論文  参考訳（メタデータ） (2026-04-29T10:41:30Z)
• Hybrid Models for Natural Language Reasoning: The Case of Syllogistic Logic [3.421904493396495]
  本稿では,Sylological fragment をベンチマークとして,事前学習型大言語モデル(LLM)の論理一般化能力について検討する。 シンボリック推論とニューラル計算を組み合わせたハイブリッドアーキテクチャを提案する。 実験の結果,比較的小さな神経成分でも高い効率が維持できることがわかった。
  論文  参考訳（メタデータ） (2025-10-10T15:27:29Z)
• A Survey on Latent Reasoning [100.54120559169735]
  大きな言語モデル(LLM)は印象的な推論機能を示している。 中間ステップを言語化するCoT推論は、モデルの表現帯域幅を制限する。 潜在的推論は、モデルの連続的な隠れ状態に完全にマルチステップの推論を実行することで、このボトルネックに対処する。
  論文  参考訳（メタデータ） (2025-07-08T17:29:07Z)
• Modal Logic for Stratified Becoming: Actualization Beyond Possible Worlds [55.2480439325792]
  本稿では,階層化現実化の考え方に基づくモーダル論理の新しいフレームワークを開発する。 伝統的なクリプキ意味論は、モーダル作用素を完全決定的な選択肢に対する定量化として扱う。 本稿では,モダリティをオントロジ的安定性のレベルによってインデクシングするSAL(Stratetified Actualization Logic)を提案する。
  論文  参考訳（メタデータ） (2025-06-12T18:35:01Z)
• LogiDynamics: Unraveling the Dynamics of Inductive, Abductive and Deductive Logical Inferences in LLM Reasoning [74.0242521818214]
  本稿では,大言語モデル(LLM)におけるインダクティブ(システム1)と帰納的/帰納的(システム2)の推論の比較力学を体系的に検討する。 我々は、制御されたアナログ推論環境、多様度(テキスト、視覚、記号)、難易度、タスク形式(MCQ/フリーテキスト)を利用する。 我々の分析によると、System 2のパイプラインは一般的に、特に視覚的/象徴的なモダリティや難しいタスクにおいて優れており、System 1はテキストやより簡単な問題に対して競争力がある。
  論文  参考訳（メタデータ） (2025-02-16T15:54:53Z)
• TransBox: EL++-closed Ontology Embedding [14.850996103983187]
  我々は,多対一,一対多,多対多の関係を扱える効率的なEL++-クロース埋め込み法を開発した。 実験により,TransBoxは様々な実世界のデータセットにまたがって最先端のパフォーマンスを実現し,複雑な公理を予測できることを示した。
  論文  参考訳（メタデータ） (2024-10-18T16:17:10Z)
• The Mercurial Top-Level Ontology of Large Language Models [0.0]
  大規模言語モデル(LLM)による応答における暗黙的存在論的コミットメントを体系化し分析する。 LLMが生成したテキストに反映される暗黙的な存在論的分類を示す方法について検討する。
  論文  参考訳（メタデータ） (2024-04-26T16:52:32Z)
• Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
  LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
  論文  参考訳（メタデータ） (2023-08-24T06:50:07Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Dual Box Embeddings for the Description Logic EL++ [16.70961576041243]
  知識グラフ(KG)と同様に、知識グラフはしばしば不完全であり、それらの維持と構築は困難であることが証明された。 KGsと同様に、有望なアプローチは、潜在ベクトル空間への埋め込みを学習し、基礎となるDLのセマンティクスに固執することである。 そこで本研究では,概念と役割をボックスとして表現した,DL EL++用のBox$2$ELという新しいオントロジー埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2023-01-26T14:13:37Z)
• Logical Neural Networks [51.46602187496816]
  ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。 すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。 推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
  論文  参考訳（メタデータ） (2020-06-23T16:55:45Z)

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。