論文の概要: Time to Reason: Scalable Neurosymbolic Learning for LTLf via Fuzzy Semantics
- arxiv url: http://arxiv.org/abs/2608.16443v1
- Date: Mon, 17 Aug 2026 11:40:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.667613
- Title: Time to Reason: Scalable Neurosymbolic Learning for LTLf via Fuzzy Semantics
- Title（参考訳）: Time to Reason:ファジィセマンティックスによるLTLfのためのスケーラブルなニューロシンボリックラーニング
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 47.83993205745467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neurosymbolic (NeSy) Artificial Intelligence aims to integrate Deep Learning (DL) architectures with symbolic reasoning. While initial NeSy approaches have targeted mainly symbolic reasoning in propositional and first-order logics, recent works have started to address the construction of neurosymbolic frameworks for Temporal Logics, and in particular for LTLf. These approaches have established temporal NeSy as a promising research direction, laying the foundations for learning under temporal constraints. Nonetheless, they leave many questions unanswered. From a theoretical perspective, several differentiable semantics for interpreting LTLf have been proposed but have not yet been formally and systematically defined within a unified framework. Moreover, existing approaches commonly rely on automata to represent temporal knowledge, resulting in limited scalability. Motivated by this research gap, this paper provides the following contributions: (i) formally defining different fuzzy semantics for LTLf, and systematically analysing theoretical properties regarding equivalences and dualities of temporal operators; (ii) showing how these semantics can be directly integrated within a novel NeSy framework, called DiffLTLf, enabling flexible and scalable learning without relying on the usage of automata; and (iii) introducing a novel evaluation protocol of increased complexity of learning tasks w.r.t. existing benchmarks. Our results show that the choice of fuzzy semantics has a significant impact on predictive performance. Moreover, DiffLTLf achieves performance on par with, and sometimes superior to, state-of-the-art probabilistic approaches while substantially improving scalability. Taken together, these results establish direct fuzzy interpretations as a competitive and scalable alternative to existing temporal NeSy frameworks.
- Abstract（参考訳）: 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。
初期のNeSyアプローチは命題論理と一階論理の象徴的推論を主なターゲットとしているが、最近の研究は時間論理学、特にLTLf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。
それでも、彼らは多くの疑問を解き放つ。
理論的な観点からは、LTLfを解釈するためのいくつかの異なる意味論が提案されているが、まだ統一されたフレームワークの中で形式的かつ体系的に定義されていない。
さらに、既存のアプローチは時間的知識を表現するためにオートマトンに依存しており、拡張性は限られている。
この研究ギャップに動機づけられた本論文は、以下の貢献を行う。
i) LTLfの異なるファジィ意味論を正式に定義し,時相作用素の同値性及び双対性に関する理論的性質を体系的に解析すること。
(ii)これらのセマンティクスを、DiffLTLfと呼ばれる新しいNeSyフレームワークに直接組み込む方法を示し、オートマティファの使用に頼ることなく、柔軟でスケーラブルな学習を可能にする。
(3)既存のベンチマークによる学習タスクの複雑さを増大させる新しい評価プロトコルを導入する。
その結果,ファジィセマンティクスの選択は予測性能に大きな影響を及ぼすことがわかった。
さらに、DiffLTLfはスケーラビリティを大幅に向上しつつ、最先端の確率的アプローチに匹敵するパフォーマンスを実現している。
これらの結果は、既存の時間的NeSyフレームワークの競合的かつスケーラブルな代替手段として、直接的なファジィ解釈を確立します。
関連論文リスト
- iFuzz-Meta: An Interpretable Fuzzy Learning Framework Bridging Top-Down and Bottom-Up Knowledge Integration [25.176188581821112]
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。
論文 参考訳（メタデータ） (2026-07-30T02:44:54Z) - Learning Structural Convergence: A Neuro-Symbolic Benchmark for Temporal Reasoning [2.7644691581661287]
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。
論文 参考訳（メタデータ） (2026-07-24T14:50:19Z) - First-Order Temporal Logic Tensor Networks [47.56930079312276]
本稿では、論理ネットワークの拡張であるFOT-LTN(First-Order Temporal Logic Networks)を提案する。
特に、FOT-LTNは、一階線形時間論理の構文と、LTNのファジィ(および実数値)意味論とを結合する。
最初の評価は、専用の(純粋に神経的な)方法に関する2つの合成データセットの時間知識グラフ補完タスクを考慮したものである。
論文 参考訳（メタデータ） (2026-06-29T08:48:23Z) - Evaluating the Formal Reasoning Capabilities of Large Language Models through Chomsky Hierarchy [62.32144504442516]
SOTA LLMが形式言語の構造的・階層的複雑性を把握できるかどうかは不明である。
ChomskyBench はchomsky Hierarchy のレンズを通して LLM を体系的に評価するためのベンチマークである。
ChomskyBenchは、各レベルで機能をテストするように設計された、言語認識と生成タスクの包括的なスイートで構成されている。
論文 参考訳（メタデータ） (2026-04-03T04:06:39Z) - NeSTR: A Neuro-Symbolic Abductive Framework for Temporal Reasoning in Large Language Models [12.935644609836507]
ニューロシンボリックテンポラル推論(Neuro-Symbolic Temporal Reasoning、NeSTR)は、構造的シンボル表現とハイブリッド反射推論を統合する新しいフレームワークである。
NeSTRはシンボリックエンコーディングを通じて明確な時間的関係を保ち、検証を通じて論理的一貫性を強制し、帰納的反射を用いて欠陥のある推論を修正する。
論文 参考訳（メタデータ） (2025-12-08T06:58:23Z) - 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) - 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) - A Comparative Study of Neurosymbolic AI Approaches to Interpretable Logical Reasoning [0.0]
ドメインに依存しないタスクを推論する能力として定義された一般的な論理的推論は、大型言語モデル(LLM)の課題であり続けている。
近年、ニューラルネットワークに論理を組み込もうとするニューロシンボリックAIへの関心が高まっている。
まず、論理的推論を改善するための2つの主要なニューロシンボリックアプローチを同定する。
論文 参考訳（メタデータ） (2025-08-05T12:14:32Z) - Towards Interpretable Concept Learning over Time Series via Temporal Logic Semantics [3.071933369858584]
本稿では,軌道の直接埋め込みによる分類と説明を統一するニューロシンボリック・フレームワークを提案する。
実時間列と予め定義されたSTL式とのアライメントをマッピングする新しいSTLインスパイアされたカーネルを導入することで,モデルの精度と解釈性が向上する。
初期の結果は、モデル決定のための高品質な論理的正当性を提供しながら、競争性能を示している。
論文 参考訳（メタデータ） (2025-08-05T09:50:55Z) - Towards LogiGLUE: A Brief Survey and A Benchmark for Analyzing Logical Reasoning Capabilities of Language Models [56.34029644009297]
大規模言語モデル(LLM)は、形式的知識表現(KR)システムの様々な制限を克服する能力を示した。
LLMは誘導的推論において最も優れているが、誘導的推論では最も効果が低い。
モデルの性能を評価するため,シングルタスクトレーニング,マルチタスクトレーニング,および「チェーンオブ思考」知識蒸留細調整技術について検討した。
論文 参考訳（メタデータ） (2023-10-02T01:00:50Z) - Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。
我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。
主アルゴリズムの正確性と収束性を保証する。
論文 参考訳（メタデータ） (2021-02-01T01:13:03Z)
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。