論文の概要: PIE-APT: A Unified Framework for Temporal Planning and Contradiction Hunting via Incremental Direct-Derivation Abduction

• arxiv url: http://arxiv.org/abs/2607.27287v1
• Date: Wed, 29 Jul 2026 14:44:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.283237
• Title: PIE-APT: A Unified Framework for Temporal Planning and Contradiction Hunting via Incremental Direct-Derivation Abduction
• Title（参考訳）: PIE-APT:インクリメンタルダイレクトデリベーションアブダクションによる時間計画とコントラクションハンティングのための統一フレームワーク
• Authors: Amir Hossein Sharafi, Alireza Shahbazi,
• Abstract要約: 本稿では、-textbfPIE-Abducer (Incremental direct-deivation abduction) と textbfPIE-APT (Abductive Planning for Temporal KGs) の2つの統合モジュールを用いた統合フレームワークを提案する。 インクリメンタルな推論をブラックボックスとして扱い、外部演算子なしでOWLのアクションを表現することは論理的決定可能性を保持する。 その結果、古典的プランナーよりも定性的優位性を示し、直接導出アプローチが導出エンリッチメント中にMHSに富んだベースラインを定量的に上回ることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reasoning and planning over Dynamic Knowledge Graphs (DKGs) present significant challenges, especially in open-world environments with incomplete information. Existing action formalisms often face decidability issues and the Ramification Problem, while managing incomplete knowledge via structural abduction requires expansive combinatorial search. This paper introduces a unified framework with two integrated modules---\textbf{PIE-Abducer} (incremental direct-derivation abduction) and \textbf{PIE-APT} (Abductive Planning for Temporal KGs)---operating natively on the highly expressive Description Logic. We model state transitions along a linear timeline as non-monotonic updates to deductively closed DL theories. Treating the incremental reasoner as a black-box and representing actions natively in OWL without external modal operators preserves logical decidability. To address incomplete knowledge, \textbf{PIE-Abducer} circumvents traditional Minimal Hitting Set (MHS) enumeration. Instead of combinatorial syntactic search, it injects the logical negation of a target goal into a consistent branch and extracts missing premises via direct refutation consequences. \textbf{PIE-APT} then employs a recursive \textit{Generate-and-Test} architecture, interleaving backward-chaining A* search with \textbf{PIE-Abducer} up to a bounded causal depth, followed by strict validation via forward-chaining Temporal Projection. We evaluate four OWL benchmarks stressing semantic abilities absent in classical planning: parameterized goals with witness search, mid-search DL entailment, open-world assumption injection, and adversarial contradiction hunting. Results demonstrate qualitative superiority over classical planners and prove our direct-derivation approach quantitatively outperforms an MHS-faithful baseline during abductive enrichment.
• Abstract（参考訳）: 動的知識グラフ(DKG)に対する推論と計画は、特に不完全な情報を持つオープンワールド環境において重要な課題を提示する。 既存の行動形式主義はしばしば決定可能性問題やラミフィケーション問題に直面するが、構造的推論によって不完全な知識を管理するには、拡張的な組合せ探索が必要である。 本稿では,2つの統合モジュール(-\textbf{PIE-Abducer} (Incremental direct-derivation abduction) と \textbf{PIE-APT} (Abductive Planning for Temporal KGs) ) を組み合わせた統合フレームワークを提案する。 我々は線形時間軸に沿った状態遷移を非単調なDL理論への更新としてモデル化する。 インクリメンタルな推論をブラックボックスとして扱い、外部のモーダル演算子なしでOWLでネイティブにアクションを表現することは、論理的決定可能性を維持する。 不完全な知識に対処するために、textbf{PIE-Abducer} は伝統的なミニマル・ハッティング・セット(MHS)列挙を回避している。 組合せ構文探索の代わりに、目的のゴールの論理的否定を一貫した分岐に注入し、直接消火結果を通じて欠落した前提を抽出する。 次に、recursive \textit{Generate-and-Test} アーキテクチャを使用し、バックチェーンの A* 検索を \textbf{PIE-Abducer} でバウンド因果深さまでインターリーブし、その後、前方チェーンの時間射影による厳密な検証を行う。 我々は,古典的計画に欠落する意味的能力を強調する4つのOWLベンチマークを評価し,証人探索によるパラメータ化目標,中探索用DLエンテインメント,オープンワールド仮定注入,敵の矛盾探索について検討した。 その結果、古典的プランナーよりも定性的優位性を示し、直接導出アプローチは、帰納的富化の過程でMHSに富んだベースラインを定量的に上回ることを示した。

関連論文リスト

• R-APS: Compositional Reasoning and In-Context Meta-Learning for Constrained Design via Reflective Adversarial Pareto Search [18.8323743697237]
  大規模言語モデル(LLM)は、オープンなタスクに精通しているが、エージェント設定では、信頼性の高いデリバリが保証されない。 エラーは局所化せずに伝播し、最悪の場合の摂動は未評価となり、蓄積された知識は決して無効にされない。 帰納的、反事実的、メタ帰納的、是正的、帰納的推論は、相容れない方向に共有コンテキストを引き出す。
  論文  参考訳（メタデータ） (2026-06-03T12:45:39Z)
• From Prompts to Pavement Through Time: Temporal Grounding in Agentic Scene-to-Plan Reasoning [1.2777067998526854]
  本研究は, エージェント間コミュニケーションにおける時間的条件付けが, 意味的・論理的一貫性の低下を伴わずにコヒーレンスを維持・強化できるかどうかを考察する。 その結果,時間的条件付けは推論スタイルに反するが,標準NLPに基づく正当性測定では統計的に有意な改善は得られなかった。 これらの結果から,プロンプトベースの時間的接地限界を明らかにし,時間的シーンから計画的推論のための最初の経験的基準を確立した。
  論文  参考訳（メタデータ） (2026-05-19T13:18:35Z)
• Deep Reasoning in General Purpose Agents via Structured Meta-Cognition [58.185853639335896]
  構造化メタ推論を用いてタスク固有の足場を構築するための推論時アプローチを提案する。 我々は、より制御された推論スレッドに複雑なタスクを分散する汎用エージェントでこのアプローチをインスタンス化する。
  論文  参考訳（メタデータ） (2026-05-12T01:21:37Z)
• Perception Without Engagement: Dissecting the Causal Discovery Deficit in LMMs [68.58207076756237]
  本稿では,結果評価からメカニズム診断へ移行する摂動に基づく評価プロトコルProCauEvalを紹介する。 因果推論において,ビデオコンテンツは体系的に過小評価されている。 教師のネガティブなアライメントに基づく強化学習フレームワークであるADPOを提案する。
  論文  参考訳（メタデータ） (2026-05-10T08:48:58Z)
• On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
  本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。 本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。 FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
  論文  参考訳（メタデータ） (2026-03-05T06:08:50Z)
• LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval [74.72139580745511]
  LaSERは、レトリバーの潜在空間に明示的な推論を内部化する、新しい自己蒸留フレームワークである。 提案手法は, 明示的なCoTパイプラインの推論深度と, 標準的な高密度検索器の推論効率をうまく組み合わせる。
  論文  参考訳（メタデータ） (2026-03-02T04:11:18Z)
• Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
  Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。 実験により、Reason-IADは最先端の手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-10T14:54:17Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• LAG: Logic-Augmented Generation from a Cartesian Perspective [7.2022636966543745]
  本稿では,体系的な問題分解と依存性を考慮した推論を通じて知識強化を再構築する新しいパラダイムである論理拡張生成(LAG)を紹介する。 4つのベンチマークデータセットの実験では、LAGは推論の堅牢性を大幅に向上し、幻覚を減少させ、LLM問題の解決を人間の認知と整合させることが示されている。
  論文  参考訳（メタデータ） (2025-08-07T15:42:00Z)
• Test-time Prompt Intervention [22.35022545068874]
  テストタイム・プロンプト・インターベンションのための新しいフレームワークであるPIを提案する。 PIは推論中の推論パスを動的にガイドし、規制するインターフェースを提供する。 これにより、人間の問題解決の専門知識と認知科学の原則がLLMの推論プロセスにシームレスに統合される。
  論文  参考訳（メタデータ） (2025-08-04T15:17:13Z)

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。