論文の概要: A foundation model of numerical intelligence with cross-disciplinary generalization
- arxiv url: http://arxiv.org/abs/2607.28432v1
- Date: Thu, 30 Jul 2026 16:09:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.652375
- Title: A foundation model of numerical intelligence with cross-disciplinary generalization
- Title（参考訳）: 学際的一般化を伴う数値知能の基礎モデル
- Abstract要約: 本稿では,Unified In-Context Operator Networks (UNICON)を紹介する。
システムからのグラフベースの例をコンテキストとして使用して、UNICONは、それら間で共有される予測関係を推論し、同じシステムからのクエリに適用する。
訓練を欠席している規律を含む科学や社会システム全体において、同じモデルは、再訓練なしに専門的なパフォーマンスにアプローチする。
- 参考スコア（独自算出の注目度）: 7.9806285459339295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligence is commonly understood as the ability to acquire and apply knowledge, adapt to unfamiliar situations and solve new problems. Large language models exhibit this capacity by inferring task-relevant knowledge from textual context and applying it to new tasks. Yet intelligence need not be confined to language. For scientific and social systems, we need models that acquire and apply knowledge from numerical context-an ability we call numerical intelligence. Here we introduce UNified In-Context Operator Networks (UNICON), a foundation model that exhibits numerical intelligence across disciplines. Using graph-based examples from a system as context, UNICON infers the predictive relation shared across them and applies it to queries from the same system. Across scientific and social systems, including those from disciplines absent from training, the same model approaches specialist performance without retraining. Combining UNICON with language-model agents yields further gains, enabling it to surpass state-of-the-art specialists in a discipline unseen in training. We further show that training-corpus diversity improves generalization to unseen disciplines. Together, these results establish UNICON as a foundation model of numerical intelligence and position it as a building block for a broader ecosystem of artificial intelligence.
- Abstract（参考訳）: 知性は一般的に、知識を取得して適用し、馴染みのない状況に適応し、新しい問題を解決する能力として理解されている。
大規模言語モデルは、テキストコンテキストからタスク関連知識を推測し、それを新しいタスクに適用することで、この能力を示す。
しかし、知性は言語に限定される必要はない。
科学的、社会的なシステムには、数値的な文脈から知識を取得し、応用するモデルが必要です。
本稿では,Unified In-Context Operator Networks (UNICON)を紹介する。
システムからのグラフベースの例をコンテキストとして使用して、UNICONは、それら間で共有される予測関係を推論し、同じシステムからのクエリに適用する。
科学や社会システム全体において、トレーニングを欠席している規律を含む、同じモデルは、再訓練なしに専門的なパフォーマンスにアプローチする。
UNICONと言語モデルエージェントを組み合わせることで、トレーニングで見えない分野において最先端のスペシャリストを上回ることができる。
さらに、トレーニング・コーパスの多様性が一般化を未確認分野に改善することを示す。
これらの結果は、数値人工知能の基礎モデルとしてUNICONを確立し、より広範な人工知能のエコシステムのためのビルディングブロックとして位置づける。
関連論文リスト
- Model-Grounded Symbolic Artificial Intelligence Systems Learning and Reasoning with Model-Grounded Symbolic Artificial Intelligence Systems [7.000073566770884]
ニューロシンボリック人工知能(AI)システムは、ニューラルネットワークと古典的なシンボリックAIメカニズムを組み合わせたシステムである。
従来の学習や推論のパラダイムと構造的類似性を維持する新しい学習・推論手法を開発した。
論文 参考訳（メタデータ） (2025-07-14T01:34:05Z) - WisdomBot: Tuning Large Language Models with Artificial Intelligence Knowledge [17.74988145184004]
大規模言語モデル(LLM)は自然言語処理(NLP)の強力なツールとして登場した。
本稿では,LLMの力と教育理論を組み合わせた,WisdomBotという教育用LLMについて述べる。
本稿では,推論中の2つの重要な拡張,すなわち,ローカル知識ベース検索の強化と,推論中の検索エンジン検索の強化を紹介する。
論文 参考訳（メタデータ） (2025-01-22T13:36:46Z) - Large Language Models are Limited in Out-of-Context Knowledge Reasoning [65.72847298578071]
大規模言語モデル (LLMs) は、文脈内推論の実行において広範な知識と強力な能力を持っている。
本稿では、複数の知識を組み合わせて新しい知識を推論する、文脈外知識推論(OCKR)という、文脈外推論の重要な側面に焦点を当てる。
論文 参考訳（メタデータ） (2024-06-11T15:58:59Z) - A Mathematical Theory for Learning Semantic Languages by Abstract Learners [9.139188656944429]
本研究では,学習過程を考慮に入れて,学習スキルの出現を説明する数学的理論を開発する。
トレーニングテキスト数とスキル数との比率が一定の閾値を超えた場合、学習スキルの出現を実証する。
本研究では, サイトパーコレーション解析を用いて, スキルアソシエーショングラフにおける巨大成分の存在条件を導出する。
論文 参考訳（メタデータ） (2024-04-10T13:50:46Z) - Integration of cognitive tasks into artificial general intelligence test
for large models [54.72053150920186]
我々は、認知科学にインスパイアされた人工知能(AGI)テストの包括的な枠組みを提唱する。
認知科学に触発されたAGIテストは、結晶化インテリジェンス、流体インテリジェンス、社会インテリジェンス、エンボディドインテリジェンスを含む、すべてのインテリジェンスファセットを含んでいる。
論文 参考訳（メタデータ） (2024-02-04T15:50:42Z) - Large Language Models for Scientific Synthesis, Inference and
Explanation [56.41963802804953]
大規模言語モデルがどのように科学的合成、推論、説明を行うことができるかを示す。
我々は,この「知識」を科学的文献から合成することで,大きな言語モデルによって強化できることを示す。
このアプローチは、大きな言語モデルが機械学習システムの予測を説明することができるというさらなる利点を持っている。
論文 参考訳（メタデータ） (2023-10-12T02:17:59Z) - Commonsense Knowledge Transfer for Pre-trained Language Models [83.01121484432801]
ニューラルコモンセンス知識モデルに格納されたコモンセンス知識を汎用的な事前学習言語モデルに転送するフレームワークであるコモンセンス知識伝達を導入する。
まず、一般的なテキストを利用して、ニューラルコモンセンス知識モデルからコモンセンス知識を抽出するクエリを形成する。
次に、コモンセンスマスクの埋め込みとコモンセンスの関係予測という2つの自己教師対象で言語モデルを洗練する。
論文 参考訳（メタデータ） (2023-06-04T15:44:51Z) - MRKL Systems: A modular, neuro-symbolic architecture that combines large
language models, external knowledge sources and discrete reasoning [50.40151403246205]
巨大な言語モデル(LM)は、自然言語ベースの知識タスクのゲートウェイとして機能する、AIの新しい時代を支えている。
離散的な知識と推論モジュールによって補完される、複数のニューラルモデルによる柔軟なアーキテクチャを定義する。
本稿では,MRKL(Modular Reasoning, Knowledge and Language)システムと呼ばれる,このニューロシンボリックアーキテクチャについて述べる。
論文 参考訳（メタデータ） (2022-05-01T11:01:28Z) - Knowledge-Grounded Dialogue Generation with a Unified Knowledge
Representation [78.85622982191522]
既存のシステムは、トレーニングデータでカバーされる限られたトピックのために、目に見えないトピックでうまく機能しない。
本稿では,異なる知識源を均質化した言語モデルであるPLUGについて述べる。
完全に教師された設定の下で最先端のメソッドと同等のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2021-12-15T07:11:02Z) - WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。
そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
論文 参考訳（メタデータ） (2021-10-27T12:25:21Z) - Understanding Few-Shot Commonsense Knowledge Models [39.31365020474205]
トレーニングの常識知識モデルを数ショットで調査します。
数発の訓練システムから得られた知識に対する人間の品質評価は、完全に教師されたシステムから得られた知識の6%以内のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2021-01-01T19:01:09Z) - Neurosymbolic AI for Situated Language Understanding [13.249453757295083]
我々は,これらの学習課題に対する解法として,計算位置定位法が有効であると主張している。
我々のモデルは、古典的なAIの考えをニューロシンボリックインテリジェンス(英語版)の枠組みに再組み入れている。
我々は、さまざまなAI学習課題に対して、位置情報が多様なデータと複数のレベルのモデリングを提供する方法について論じる。
論文 参考訳（メタデータ） (2020-12-05T05:03:28Z)
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。