論文の概要: Neuro-Symbolic Geometric Abstraction (NeuSOGA): From Observations to Symbolic Mathematical Representations

• arxiv url: http://arxiv.org/abs/2609.01408v2
• Date: Wed, 02 Sep 2026 10:10:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 15:35:44.753423
• Title: Neuro-Symbolic Geometric Abstraction (NeuSOGA): From Observations to Symbolic Mathematical Representations
• Title（参考訳）: ニュー・シンボリック幾何学的抽象(NeuSOGA) : 観察から記号的数学的表現へ
• Abstract要約: 人工知能における根本的な課題は、抽象、解釈、推論に適した明確な記号表現への観察の変換である。 観測結果をトポロジ的抽象化,幾何学的抽象化,究極的には記号的数学的表現に段階的に変換するフレームワークであるNeuSOGAを提案する。 ニューラル潜在符号化とは異なり、生成された表現は解釈可能、編集可能、数学的に明確である。
• 参考スコア（独自算出の注目度）: 17.537492063529896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental challenge in artificial intelligence is the transformation of observations into explicit symbolic representations suitable for abstraction, interpretation, and reasoning. While modern AI systems achieve remarkable perceptual capabilities through large-scale statistical learning, the resulting knowledge is typically encoded within latent parameters that are difficult to inspect or manipulate analytically. Inspired by Neuro-Symbolic AI and theories of human abstraction, this paper investigates the formation of symbolic mathematical representations from geometric observations. We propose NeuSOGA (Neuro-Symbolic Geometric Abstraction), a framework that progressively transforms observations into topological abstractions, geometric abstractions, and ultimately symbolic mathematical representations. The architecture combines topology-guided structural discovery using Euclidean Distance Transforms, foundation-model perception using Segment Anything, adaptive multi-scale geometric abstraction, and symbolic synthesis through Implicit Area Splines. The resulting representation is an analytical implicit model supporting arbitrary-order smoothness, additive composition, and closed-form evaluation. Unlike neural latent encodings, the generated representation remains interpretable, editable, and mathematically explicit. Experiments on ModelNet40 point clouds, arbitrary-view projections, and segmented optical observations demonstrate that NeuSOGA transforms diverse observations into compact symbolic representations while preserving essential geometric and topological structure across sensing modalities and viewing directions. NeuSOGA provides an interpretable and explainable pathway from observation to symbol and establishes
• Abstract（参考訳）: 人工知能における根本的な課題は、抽象、解釈、推論に適した明確な記号表現への観察の変換である。 現代のAIシステムは、大規模な統計的学習を通じて目覚しい知覚能力を達成するが、結果として得られる知識は典型的には、分析的に検査や操作が難しい潜在パラメータにエンコードされる。 本稿では、ニューロ・シンボリックAIと人間の抽象論に触発され、幾何学的観測からシンボル数学的表現の形成について検討する。 我々は,Neuro-Symbolic Geometric Abstraction (Neuro-Symbolic Geometric Abstraction) を提案する。 このアーキテクチャは、ユークリッド距離変換を用いたトポロジー誘導構造発見、セグメンテーションを用いた基礎モデル認識、適応的な多スケール幾何学的抽象化、インプリシット・エリア・スプラインによるシンボリック・シンボリック・シンセサイザーを組み合わせたものである。 得られた表現は、任意の階の滑らかさ、加法組成、閉形式評価をサポートする分析的暗黙モデルである。 ニューラル潜在符号化とは異なり、生成された表現は解釈可能、編集可能、数学的に明確である。 ModelNet40点雲、任意視射影、偏光観測の実験により、NeuSOGAは様々な観測をコンパクトなシンボル表現に変換し、知覚的モダリティと視線方向を横断する重要な幾何学的・位相的構造を保存することを示した。 NeuSOGAは観察からシンボル、確立までの解釈可能な説明可能な経路を提供する

関連論文リスト

• Symbolic--KAN: Kolmogorov-Arnold Networks with Discrete Symbolic Structure for Interpretable Learning [0.19999259391104388]
  シンボリック・コルモゴロフ・アルノルドネットワーク(シンボリック・カン)を紹介する。 シンボリック・カンは訓練可能な深層ネットワークに直接離散的なシンボル構造を埋め込む。 そこで,Symbolic-KANはデータ駆動回帰および逆力学系において,正しい原始項と規則構造を確実に回復することを示す。
  論文  参考訳（メタデータ） (2026-03-25T02:31:13Z)
• Hierarchical Process Reward Models are Symbolic Vision Learners [56.94353087007494]
  記号型コンピュータビジョンは、明示的な論理規則と構造化された表現を通して図を表現し、機械ビジョンの解釈可能な理解を可能にする。 これは、ピクセルベースのビジュアルモデルと根本的に異なる学習パラダイムを必要とする。 本稿では, インプットダイアグラムをプリミティブにエンコードし, インプットダイアグラムを再構築する自己教師型オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2025-12-02T18:46:40Z)
• Event2Vec: A Geometric Approach to Learning Composable Representations of Event Sequences [0.15229257192293197]
  離散イベントシーケンスの表現を学習するための新しいフレームワークであるEvent2Vecを紹介する。 ユークリッド空間におけるモデルの学習表現が理想的な加法構造に収束することを示す理論的解析を提供する。 階層データに対するユークリッド幾何学の限界に対処するため、双曲空間における我々のモデルの変種も導入する。
  論文  参考訳（メタデータ） (2025-09-15T17:51:02Z)
• Quantum Spectral Reasoning: A Non-Neural Architecture for Interpretable Machine Learning [0.0]
  本稿では,従来のニューラルネットワークのパラダイムから外れた,新しい機械学習アーキテクチャを提案する。 我々は、量子スペクトル法、特にPade近似法とLanczosアルゴリズムを用いて、解釈可能な信号解析とシンボリック推論を行う。 その結果,このスペクトル記号型アーキテクチャは,解釈可能性とデータ効率を保ちながら,競合精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-08-05T07:16:45Z)
• Why Neural Network Can Discover Symbolic Structures with Gradient-based Training: An Algebraic and Geometric Foundation for Neurosymbolic Reasoning [73.18052192964349]
  我々は、連続的なニューラルネットワークトレーニングのダイナミックスから、離散的なシンボル構造が自然に現れるかを説明する理論的枠組みを開発する。 ニューラルパラメータを測度空間に上げ、ワッサーシュタイン勾配流としてモデル化することにより、幾何的制約の下では、パラメータ測度 $mu_t$ が2つの同時現象となることを示す。
  論文  参考訳（メタデータ） (2025-06-26T22:40:30Z)
• The Origins of Representation Manifolds in Large Language Models [52.68554895844062]
  表現空間におけるコサイン類似性は、最短のオンマンフォールド経路を通して特徴の内在幾何学を符号化することができることを示す。 理論の臨界仮定と予測は、大きな言語モデルのテキスト埋め込みとトークンアクティベーションに基づいて検証される。
  論文  参考訳（メタデータ） (2025-05-23T13:31:22Z)
• Unraveling the geometry of visual relational reasoning [11.82509693248749]
  人間は「一貫性」を形や色で認識するなど抽象的な関係を簡単に一般化する一方、ニューラルネットワークは柔軟性のある推論を制限するのに苦労する。 本稿では,抽象的関係推論を体系的に評価する新しいベンチマークであるSimplifiedRPMを紹介する。 また、関係性の難易度を定量化するための人間実験を行い、モデルと人間の直接比較を可能にした。 我々の結果は、AIにおけるより人間的な視覚的推論の道を開くことで、関係推論のための幾何学的基盤を確立します。
  論文  参考訳（メタデータ） (2025-02-24T18:07:54Z)
• Geometric Origins of Bias in Deep Neural Networks: A Human Visual System Perspective [1.7315645623674356]
  ディープニューラルネットワーク(DNN)におけるバイアス形成は、依然として批判的だが理解されていない課題である。 人間の視覚システムに触発されて,クラス固有の知覚マニフォールドの幾何学的複雑さをモデルバイアスに結びつける幾何学的分析フレームワークを提案する。 この解析を支援するために,知覚多様体の幾何学的性質を計算するために設計された知覚多様体幾何学ライブラリを提案する。
  論文  参考訳（メタデータ） (2025-02-17T13:54:02Z)
• Discovering Abstract Symbolic Relations by Learning Unitary Group Representations [7.303827428956944]
  記号演算完了(SOC)の原理的アプローチについて検討する。 SOCは離散記号間の抽象的関係をモデル化する際、ユニークな挑戦となる。 SOCは最小限のモデル(双線型写像)で、新しい分解アーキテクチャで効率的に解けることを実証する。
  論文  参考訳（メタデータ） (2024-02-26T20:18:43Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Bridging Neural and Symbolic Representations with Transitional Dictionary Learning [4.326886488307076]
  本稿では,記号的知識を暗黙的に学習できる新しいトランジショナル辞書学習(TDL)フレームワークを提案する。 本稿では,期待最大化法(EM)アルゴリズムで学習した辞書を用いて,入力を視覚部分へ分解するゲーム理論拡散モデルを提案する。 3つの抽象的な合成視覚オブジェクトデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-08-03T19:29:35Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)

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。