論文の概要: iFuzz-Meta: An Interpretable Fuzzy Learning Framework Bridging Top-Down and Bottom-Up Knowledge Integration

• arxiv url: http://arxiv.org/abs/2608.14646v1
• Date: Thu, 30 Jul 2026 02:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.939209
• Title: iFuzz-Meta: An Interpretable Fuzzy Learning Framework Bridging Top-Down and Bottom-Up Knowledge Integration
• Title（参考訳）: iFuzz-Meta: トップダウンとボトムアップの知識統合を組み込んだ解釈可能なファジィ学習フレームワーク
• Abstract要約: iFuzz-Metaは解釈可能なファジィルールベースの学習フレームワークである。 現代のニューラルアーキテクチャにおける人間の理解可能な推論構造を保存している。
• 参考スコア（独自算出の注目度）: 25.176188581821112
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Interpretable representation learning remains a key challenge in modern neural computation, particularly when models are expected not only to perform but also to explain their reasoning. This paper introduces iFuzz-Meta, an interpretable fuzzy rule-based learning framework that preserves human-understandable reasoning structures within modern neural architectures. Each fuzzy rule corresponds to a semantic and spatial prototype defined in the original feature space, enabling transparent inference and direct interpretability. Meta-learning is employed as an analytical paradigm to examine how these interpretable rules reorganize across tasks and domains, providing a principled means to link algorithmic adaptation with cognitive representation. A knowledge-guided regularization mechanism further enables a top-down-bottom-up integration, in which theoretical priors act as soft inductive biases while data-driven learning refines and extends them. This dual process ensures that adaptation proceeds along semantically and physiologically meaningful trajectories, rather than arbitrary parameter shifts. Evaluations demonstrate that iFuzz-Meta achieves interpretable reasoning and stable cross-domain generalization, establishing a potential general pathway toward explainable and knowledge-aware fuzzy systems.
• Abstract（参考訳）: 解釈可能な表現学習は、現代のニューラルコンピューティングにおいて重要な課題であり、特にモデルが実行されるだけでなく、それらの推論を説明することが期待されている場合である。 本稿では,現代のニューラルアーキテクチャにおける人間の理解可能な推論構造を保存する,ファジィルールに基づく解釈可能な学習フレームワークであるiFuzz-Metaを紹介する。 各ファジィ規則は、元の特徴空間で定義された意味的および空間的プロトタイプに対応し、透過的推論と直接解釈可能性を実現する。 メタラーニングは、これらの解釈可能なルールがタスクやドメイン間でどのように再編成されるかを調べるための分析パラダイムとして使用され、アルゴリズム適応と認知表現を結びつけるための原則化された手段を提供する。 知識誘導型正規化機構により、データ駆動学習が洗練され拡張される一方で、理論上の先行がソフトな帰納バイアスとして振る舞うトップダウンボットアップ統合が可能になる。 この二重過程は、任意のパラメータシフトではなく、意味論的および生理学的に意味のある軌道に沿って適応が進むことを保証している。 iFuzz-Metaは、解釈可能な推論と安定したクロスドメインの一般化を実現し、説明可能かつ知識に配慮したファジィシステムへの潜在的な一般化経路を確立する。

関連論文リスト

• Time to Reason: Scalable Neurosymbolic Learning for LTLf via Fuzzy Semantics [47.83993205745467]
  Neurosymbolic (NeSy) Artificial Intelligenceは、Deep Learning (DL)アーキテクチャとシンボリック推論を統合することを目的としている。 最近の研究は、時間論理学のためのニューロシンボリックフレームワークの構築に対処し始めている。 これらのアプローチは、時間的制約の下での学習の基礎を築いた、有望な研究の方向性として、時間的NeSyを確立した。
  論文  参考訳（メタデータ） (2026-08-17T11:40:27Z)
• Modal Logical Neural Networks [0.15229257192293197]
  本稿では、ディープラーニングとモーダル論理の形式的意味論を統合するニューロシンボリック・フレームワークである、モーダル論理ニューラルネットワーク(MLNN)を提案する。 本稿では,アクセシビリティの強化や学習が,基礎となるタスクアーキテクチャを変更することなく,論理的一貫性と解釈可能性を高める方法を示す。
  論文  参考訳（メタデータ） (2025-12-03T06:38:29Z)
• Feature-Based vs. GAN-Based Learning from Demonstrations: When and Why [50.191655141020505]
  この調査は、デモから学ぶ機能ベースのアプローチとGANベースのアプローチの比較分析を提供する。 特徴に基づく手法とGANに基づく手法の2分法はますます曖昧になっていると我々は主張する。
  論文  参考訳（メタデータ） (2025-07-08T11:45:51Z)
• Concept-Based Mechanistic Interpretability Using Structured Knowledge Graphs [3.429783703166407]
  我々のフレームワークは、内部モデルコンポーネントを通して高レベルのセマンティック属性がどのように出現し、相互作用し、伝播するかを分析することによって、モデル行動のグローバルな分離を可能にします。 重要なイノベーションは、私たちがBAGELと名付けた視覚化プラットフォームです。 私たちのフレームワークはモデルに依存しないスケーラブルで、データセットバイアスの存在下でディープラーニングモデルがどのように一般化(あるいは失敗)するかを深く理解するのに役立ちます。
  論文  参考訳（メタデータ） (2025-07-08T09:30:20Z)
• 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)
• How do Transformers Learn Implicit Reasoning? [67.02072851088637]
  制御されたシンボリック環境下でトランスフォーマーをスクラッチからトレーニングすることで、暗黙のマルチホップ推論がどのように現れるかを研究する。 原子三重項によるトレーニングは必要ではなく学習を加速し,第2ホップの一般化は特定の構成構造へのクエリレベル露出に依存する。
  論文  参考訳（メタデータ） (2025-05-29T17:02:49Z)
• Meta-Representational Predictive Coding: Biomimetic Self-Supervised Learning [51.22185316175418]
  メタ表現予測符号化(MPC)と呼ばれる新しい予測符号化方式を提案する。 MPCは、並列ストリームにまたがる感覚入力の表現を予測することを学ぶことによって、感覚入力の生成モデルを学ぶ必要性を助長する。
  論文  参考訳（メタデータ） (2025-03-22T22:13:14Z)
• 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)
• Neuro-symbolic Natural Logic with Introspective Revision for Natural Language Inference [17.636872632724582]
  イントロスペクティブ・リビジョンを用いた強化学習に基づくニューロシンボリック・ナチュラル・ロジック・フレームワークを提案する。 提案モデルには解釈可能性があり, 単調性推論, 体系的一般化, 解釈可能性に優れた能力を示す。
  論文  参考訳（メタデータ） (2022-03-09T16:31:58Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。