論文の概要: Learning Structural Convergence: A Neuro-Symbolic Benchmark for Temporal Reasoning
- arxiv url: http://arxiv.org/abs/2607.22365v1
- Date: Fri, 24 Jul 2026 14:50:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.155797
- Title: Learning Structural Convergence: A Neuro-Symbolic Benchmark for Temporal Reasoning
- Title（参考訳）: 構造収束の学習 : 時間的推論のためのニューロシンボリックベンチマーク
- Abstract要約: 本稿では,高複雑性イベント駆動システムにおける時間構造推論のベンチマークであるTRACTAを紹介する。
ベンチマークには、 early_warning、 pattern_detection、run_classificationの3つのタスクが含まれている。
結果から, 生の事象レベルの学習は依然として有意であるが, 意味的能力に対する時間的モデリングは, 最高集合点推定を達成していることがわかった。
- 参考スコア（独自算出の注目度）: 2.7644691581661287
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-complexity operational environments require methods that detect and anticipate temporally distributed patterns rather than classify isolated events. This paper introduces TRACTA (Temporal Reasoning and Capability-Trajectory Analysis), a controlled synthetic benchmark for temporal structural reasoning in high-complexity event-driven systems, instantiated through Multi-Domain Operations (MDO)-like scenarios. The benchmark includes three tasks: early_warning, pattern_detection, and run_classification, and compares raw-event neural models, a contract-lite semantic baseline, and a neuro-symbolic configuration operating on semantically grounded trajectories. Results show that raw event-level learning remains informative, but learned temporal modeling over semantic capability and contextual direct-impact trajectories achieves the highest aggregate point estimates, with the largest margins on the temporal tasks. Ablation analysis indicates that capability dynamics, contextual impacts, and temporal structure contribute complementary information. Shortcut diagnostics indicate that the most direct cross-run global-identifier shortcut is controlled in the primary neural input view, while residual shallow signals remain. Overall, the findings support a bounded methodological conclusion: in controlled synthetic settings, semantically grounded trajectories provide an effective representation for temporal structural reasoning, supporting further investigation of semantic interfaces between event data, structured representations, and temporal learning.
- Abstract（参考訳）: 高複雑さの運用環境は、孤立したイベントを分類するのではなく、時間的に分散したパターンを検出し予測する手法を必要とする。
本稿では,MDO(Multi-Domain Operations)のようなシナリオを介し,高複雑性イベント駆動システムにおける時間構造推論のための制御された総合的ベンチマークであるTRACTA(Temporal Reasoning and Capability-Trajectory Analysis)を紹介する。
ベンチマークには、 early_warning、 pattern_detection、run_classificationの3つのタスクが含まれており、生のイベントニューラルモデル、コントラクト・ライトのセマンティックベースライン、セマンティックグラウンドト・トラジェクトリで動作するニューロシンボリック構成を比較する。
結果から,意味的能力や文脈的直感的軌跡に対する時間的モデリングは,時間的タスクに最も大きなマージンを持つ最上位の集合点推定を達成できることがわかった。
アブレーション分析は、能力力学、文脈的影響、時間的構造が相補的な情報に寄与していることを示している。
ショートカット診断は、最も直接的にクロスランなグローバル・アイデンティティー・ショートカットが一次入力ビューで制御され、残りの浅信号は残されていることを示している。
制御された合成設定において、意味的に基底付けられた軌道は、時間的構造的推論の効果的な表現を提供し、イベントデータ間のセマンティックなインターフェース、構造化された表現、時間的学習のさらなる研究を支援する。
関連論文リスト
- Explaining Temporal Graph Neural Networks via Feature-induced Information Flow [20.91154042249583]
イベントベースのテンポラルグラフニューラルネットワーク(ETGNN)は、幅広いアプリケーションで高いパフォーマンスを示している。
本稿では,すべてのイベント関連変数を流れるエンペンタリー情報を解析する新しい属性法を提案する。
我々は,流行の追跡と社会的ダイナミクスのための2つの合成データセットと,政治イベントネットワークの現実的なデータセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2026-06-25T16:00:11Z) - Structured Neural Marked Point Processes for Interpretable Event Interaction Modeling [12.453735847515006]
マルチクラスイベントストリームは多くの実世界のアプリケーションで発生し、構造化され解釈可能なイベント間の関係を明らかにすることは、正確な予測とともに、依然として中心的な課題である。
既存のニューラルポイントプロセスモデルは非常に表現力が高いが、イベントインタラクションをブラックボックス方式でエンコードすることで、構造化された依存関係の明示的な発見を防止する。
本稿では,データからイベント・ワイド・クラス・リレーションシップを明確化しつつ,高いモデリング柔軟性を実現する構造化ニューラルマークポイントプロセス(SNMPP)を提案する。
論文 参考訳（メタデータ） (2026-05-17T17:56:22Z) - Grammar of the Wave: Towards Explainable Multivariate Time Series Event Detection via Neuro-Symbolic VLM Agents [7.342421193902292]
Event Logic Tree (ELT) は言語記述と物理時系列データを橋渡しする新しい知識表現フレームワークである。
本稿では,信号の可視化からプリミティブを反復的にインスタンス化し,ERT制約下で構成する,ニューロシンボリックなVLMエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-12T03:01:48Z) - BrainSTR: Spatio-Temporal Contrastive Learning for Interpretable Dynamic Brain Network Modeling [11.472484296820225]
BrainSTRは、動的脳ネットワークモデリングのための分散脳時間コントラスト学習フレームワークを学習する。
ASD、BD、MDDに関する試験は、以前の発見と一致する解釈可能な証拠を提供する。
論文 参考訳（メタデータ） (2026-03-10T15:47:09Z) - Priors in Time: Missing Inductive Biases for Language Model Interpretability [58.07412640266836]
スパースオートエンコーダは、時間とともに概念の独立を前提としており、定常性を暗示している。
本稿では,時間的帰納バイアスを持つ新たな解釈可能性目標である時間的特徴分析を導入し,その表現を2つの部分に分解する。
私たちの結果は、堅牢な解釈可能性ツールの設計において、データにマッチする帰納的バイアスの必要性を浮き彫りにしています。
論文 参考訳（メタデータ） (2025-11-03T18:43:48Z) - T3former: Temporal Graph Classification with Topological Machine Learning [4.4924444466378555]
時間グラフ分類は、サイバーセキュリティ、脳接続分析、トラフィック監視などのアプリケーションにおいて重要な役割を果たす。
我々は、スライドウィンドウトポロジカルおよびスペクトルディスクリプタを1級トークンとして活用し、特殊なディスクリプタ・アテンション機構によって統合された新しいトポロジカル・テンポロジカル・トランスフォーマーT3formerを紹介する。
T3formerは、動的ソーシャルネットワーク、脳機能接続データセット、トラフィックネットワークなど、複数のベンチマークで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-10-15T17:46:32Z) - T-ILR: a Neurosymbolic Integration for LTLf [47.316620315732024]
本稿では,時間論理の仕様をシーケンスベースタスクのためのディープラーニングアーキテクチャに直接組み込むニューロシンボリックフレームワークを提案する。
提案手法をT-ILR (Temporal Iterative Local Refinement) と呼ぶ。
論文 参考訳（メタデータ） (2025-08-21T20:24:20Z) - Detecting Neurocognitive Disorders through Analyses of Topic Evolution and Cross-modal Consistency in Visual-Stimulated Narratives [83.15653194899126]
神経認知障害(NCD)の早期発見は、時間的介入と疾患管理に不可欠である。
現在のVSNベースのNCD検出法は主にボトムアップ、刺激駆動認知プロセスと密接に結びついている言語マイクロ構造に焦点を当てている。
本稿では,話題の時間的変化を追跡する動的トピックモデル(DTM)と,物語と視覚刺激の相互整合性を測定するテキスト画像時間アライメントネットワーク(TITAN)の2つの新しいマクロ構造手法を提案する。
論文 参考訳（メタデータ） (2025-01-07T12:16:26Z) - Neuron: Learning Context-Aware Evolving Representations for Zero-Shot Skeleton Action Recognition [64.56321246196859]
本稿では,dUalスケルトン・セマンティック・セマンティック・セマンティック・セマンティック・シンジスティック・フレームワークを提案する。
まず、時空間進化型マイクロプロトタイプを構築し、動的コンテキスト認識側情報を統合する。
本研究では,空間的圧縮と時間的記憶機構を導入し,空間的時間的マイクロプロトタイプの成長を導く。
論文 参考訳（メタデータ） (2024-11-18T05:16:11Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z)
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。