論文の概要: Differentiable Logic Programming to Mitigate Reasoning Shortcuts in Neurosymbolic Systems

• arxiv url: http://arxiv.org/abs/2607.21185v1
• Date: Thu, 23 Jul 2026 11:15:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.38102
• Title: Differentiable Logic Programming to Mitigate Reasoning Shortcuts in Neurosymbolic Systems
• Title（参考訳）: ニューロシンボリックシステムにおける推論ショートカットの緩和のための微分論理プログラミング
• Authors: Akihiro Takemura, Katsumi Inoue,
• Abstract要約: 本稿では,行列ベースの微分可能論理プログラミングを用いて推論ショートカットを緩和する手法を提案する。 本稿では,単一行列における規則と制約の統一符号化を含むショートカットを緩和するための設計要素を紹介する。 論理原子への1対1のニューラル出力の基底化は、両方のショートカットタイプを著しく減少させることを示す。
• 参考スコア（独自算出の注目度）: 4.79123314326423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurosymbolic (NeSy) systems integrate neural networks with logical reasoning to achieve both generalization and interpretability, but recent work has shown they are susceptible to shortcut reasoning behaviors. We propose a novel method using matrix-based differentiable logic programming to mitigate reasoning shortcuts in two phenomena: constraint satisfaction shortcuts, where constraints are satisfied without achieving the intended task, and cognition shortcuts, where biased data leads to semantically incorrect concept mappings despite logically sound inference. Building on recent matrix-based logic programming semantics, we introduce design elements to mitigate shortcuts, including a unified encoding of rules and constraints in a single matrix. We also identify connections to fuzzy logic t-norms and empirically compare their gradient flow properties. Through carefully designed experiments on MNIST variants, we show that one-to-one grounding of neural outputs to logical atoms significantly reduces both shortcut types compared to previous methods that rely on soft probability distributions. We then confirm that architectural choices in coupling symbolic knowledge with neural learning play a critical role in shortcut mitigation.
• Abstract（参考訳）: ニューロシンボリック(NeSy)システムは、ニューラルネットワークと論理的推論を統合して、一般化と解釈可能性の両方を達成するが、最近の研究では、それらが論理的推論行動のショートカットに感受性があることが示されている。 本稿では,制約満足度ショートカット(制約満足度ショートカット,制約満足度ショートカット)と,偏りのあるデータが論理的推論を行なわずに意味的に誤った概念マッピングを導出する認識ショートカット(認知ショートカット)という2つの現象における推論ショートカットを軽減するために,行列ベースの微分可能論理プログラミングを用いた新しい手法を提案する。 近年の行列ベースの論理プログラミングのセマンティクスに基づいて,単一行列における規則と制約の統一符号化を含むショートカットを緩和する設計要素を導入する。 またファジィ論理t-ノルムとの接続を同定し,その勾配流特性を実験的に比較する。 MNIST変種に関する慎重に設計された実験を通して、神経出力の論理原子への1対1基底は、ソフト確率分布に依存する従来の手法と比較して、両方のショートカットタイプを著しく減少させることを示した。 そして、ニューラルネットワークとシンボリック知識を結合するアーキテクチャ上の選択が、ショートカット緩和において重要な役割を担っていることを確認します。

関連論文リスト

• Quantitative Linear Logic for Neuro-Symbolic Learning and Verification [0.6299766708197881]
  微分論理は、ニューラルネットワークのトレーニング目的に論理的制約を埋め込む方法として、ニューロシンボリック学習タスクに展開される。 分野の定義的なトレードオフは、連結体の論理的性質と意味論の分析的関心事の間にあることである。 本稿では,この長期的緊張の解決を,新しい論理,量線形論理を用いて提案する。
  論文  参考訳（メタデータ） (2026-05-13T17:59:40Z)
• Right for the Right Reasons: Avoiding Reasoning Shortcuts via Prototypical Neurosymbolic AI [6.518655316889539]
  ニューロシンボリックAIは、ニューラル認知とシンボリック推論を組み合わせる能力によって人気が高まっている。 本稿では,その根本原因における推論ショートカットに対処し,原型的ニューロシンボリックアーキテクチャを導入する。 本研究は, 安全かつ信頼性の高いニューロシンボリックラーニングのための, 効果的な, アノテーション効率の戦略として, プロトタイプグラウンド化の道を開くものである。
  論文  参考訳（メタデータ） (2025-10-29T13:21:28Z)
• Learning with Logical Constraints but without Shortcut Satisfaction [23.219364371311084]
  論理的制約による学習のための新しいフレームワークを提案する。 具体的には、論理接続のための双対変数を導入することで、ショートカット満足度問題に対処する。 本稿では,符号化された論理制約を分布損失として表現する変分フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-01T07:17:20Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• 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)
• Injecting Logical Constraints into Neural Networks via Straight-Through Estimators [5.6613898352023515]
  ニューラルネットワーク学習に離散的な論理的制約を注入することは、ニューロシンボリックAIにおける大きな課題の1つだ。 ニューラルネットワークの学習に論理的制約を組み込むために、バイナリニューラルネットワークをトレーニングするために導入されたストレートスルー推定器が効果的に適用できることがわかった。
  論文  参考訳（メタデータ） (2023-07-10T05:12:05Z)
• 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)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)
• 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。