論文の概要: A Multi-Stage Rule-Chaining Framework for Compositional and Interpretable Cognitive Reasoning
- arxiv url: http://arxiv.org/abs/2609.10654v1
- Date: Wed, 09 Sep 2026 15:24:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.085135
- Title: A Multi-Stage Rule-Chaining Framework for Compositional and Interpretable Cognitive Reasoning
- Title（参考訳）: 合成・解釈可能な認知推論のための多段階ルールマッチングフレームワーク
- Abstract要約: 本稿では,記号的,構造的,概念的レベルで構成的推論を行う多段階ルールチェインフレームワークを提案する。
提案したアーキテクチャは、シンボリック推論と合成パターンをブリッジし、認知一般化に関する解釈可能な洞察を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Abstraction and Reasoning Corpus (ARC) benchmarks cognitive generalization, the ability to infer and apply abstract rules from limited examples. This paper presents a multi-stage rule-chaining framework that performs compositional reasoning across symbolic, structural, and conceptual levels. The framework integrates three complementary solvers: (1) a deterministic rule discovery module that induces atomic transformations through geometric, color, and object-based analysis; (2) a pattern-composition engine that reconstructs outputs via block merging, repetition, and spatial heuristics; and (3) a structural abstraction layer that infers hierarchical and nested relationships across grids. These solvers operate sequentially within a progressive fallback hierarchy, where each stage reuses prior reasoning traces to enhance interpretability and generalization. Training passed for 995 tasks out of 1000, further evaluated on 105 tasks out of 120 and solved 230 test tasks out of 240 ARC-AGI-2 tasks. The system achieved strong coverage across deterministic, compositional, and abstract categories, demonstrating an overall accuracy exceeding 95 percent. The proposed architecture bridges symbolic reasoning and pattern synthesis, providing interpretable insight into cognitive generalization. The results suggest that rule chaining and hierarchical composition can advance machine reasoning toward transparent, human-aligned abstraction without relying on task-specific tuning.
- Abstract（参考訳）: ARC(Abstraction and Reasoning Corpus)は、認知一般化、限られた例から抽象ルールを推論し適用する能力のベンチマークである。
本稿では,記号的,構造的,概念的レベルで構成的推論を行う多段階ルールチェインフレームワークを提案する。
本フレームワークは,(1)幾何学的,色,対象に基づく分析を通じて原子変換を誘導する決定論的ルール発見モジュール,(2)ブロックマージ,繰り返し,空間ヒューリスティックスを通じて出力を再構成するパターン合成エンジン,(3)階層的およびネスト的関係をグリッド全体に推論する構造的抽象層,の3つの相補的解法を統合する。
これらの解法はプログレッシブ・フォールバックの階層の中で順次動作し、各段階は解釈可能性と一般化を高めるために事前の推論トレースを再利用する。
1000タスク中995タスクをパスし、120タスク中105タスクでさらに評価し、240タスク中230タスクをARC-AGI-2タスクで解決した。
このシステムは決定論的、構成的、抽象的なカテゴリーにまたがって強力なカバレッジを達成し、全体的な精度は95%を超えた。
提案したアーキテクチャは、シンボリック推論とパターン合成をブリッジし、認知一般化に関する解釈可能な洞察を提供する。
その結果,ルール連鎖と階層的構成は,タスク固有のチューニングに頼ることなく,機械推論を透明で人間と協調した抽象化へと進める可能性が示唆された。
関連論文リスト
- ReasoningLens: Hierarchical Visualization and Diagnostic Auditing for Large Reasoning Models [73.59878306788815]
ReasoningLensは、複雑な推論チェーンの階層的な可視化と診断監査のために設計されたオープンソースのフレームワークである。
ReasoningLensは、(1)高レベルの戦略と低レベルの実行を分離する対話的階層にトレースを構造化し、(2)エージェント監査を自動エラー検出とツール拡張検証に活用する。
論文 参考訳（メタデータ） (2026-06-22T14:28:35Z) - Compositional Neuro-Symbolic Reasoning [0.7894152109655374]
抽象推論コーパス(ARC)の構造的抽象化に基づく推論について検討する。
本稿では,グリッドからオブジェクトレベルの構造を抽出するニューロシンボリックアーキテクチャを提案する。
我々はARC-AGI-2Reasonerコードをオープンソース化した。
論文 参考訳（メタデータ） (2026-04-02T18:04:34Z) - Logics-Parsing-Omni Technical Report [18.897248420641386]
本稿では,断片化タスク定義の課題とマルチモーダル解析における非構造化データの均一性に対処するOmni Parsingフレームワークを提案する。
このフレームワークの重要な利点は、そのエビデンスアンカー機構であり、ハイレベルなセマンティック記述と低レベルな事実の厳密な一致を強制する。
これにより、エビデンスに基づく'論理的帰納化が可能となり、構造化されていない信号を、位置可能で、エナメル性があり、トレース可能な標準化された知識に変換する。
論文 参考訳（メタデータ） (2026-03-10T13:46:32Z) - Explainable Rule Application via Structured Prompting: A Neural-Symbolic Approach [0.0]
大規模言語モデル(LLM)は複雑な推論タスクでは優れているが、一貫性のあるルールアプリケーション、例外処理、説明可能性に苦慮している。
本稿では、推論を3つの検証可能なステップ(エンティティ識別、プロパティ抽出、シンボリックルール適用)に分解する構造化プロンプトフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-19T14:14:01Z) - Propositional Logic for Probing Generalization in Neural Networks [3.6037930269014633]
本稿では,3つの重要なニューラルネットワーク(Transformers, Graph Convolution Networks, LSTMs)の,命題論理に根ざした制御タスクにおける一般化挙動について検討する。
構造バイアスを導入しなければ,Transformerはネゲーションを構成的に適用できないことがわかった。
本研究は,論理演算子の体系的表現を学習する標準的なアーキテクチャの能力において,永続的な限界を浮き彫りにするものである。
論文 参考訳（メタデータ） (2025-06-10T16:46:05Z) - An Algebraic Framework for Hierarchical Probabilistic Abstraction [5.455744338342196]
本稿では,階層的抽象化のための測度理論基盤を拡張し,課題に対処することを目的とした階層的確率的抽象化フレームワークを提案する。
このアプローチは、低レベルの知覚データで高レベルの概念化をブリッジし、解釈可能性を高め、層解析を可能にする。
我々のフレームワークは、AIサブフィールド、特にシステム1とシステム2の考え方の整合性において、抽象分析のための堅牢な基盤を提供します。
論文 参考訳（メタデータ） (2025-02-28T16:47:42Z) - Hierarchical Invariance for Robust and Interpretable Vision Tasks at Larger Scales [54.78115855552886]
本稿では、畳み込みニューラルネットワーク(CNN)のような階層型アーキテクチャを用いて、オーバーコンプリート不変量を構築する方法を示す。
オーバーコンプリート性により、そのタスクはニューラルアーキテクチャサーチ(NAS)のような方法で適応的に形成される。
大規模で頑健で解釈可能な視覚タスクの場合、階層的不変表現は伝統的なCNNや不変量に対する効果的な代替物とみなすことができる。
論文 参考訳（メタデータ） (2024-02-23T16:50:07Z) - 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) - Modeling Hierarchical Reasoning Chains by Linking Discourse Units and
Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。
具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文 参考訳（メタデータ） (2023-06-21T07:34:27Z) - Neural Constraint Satisfaction: Hierarchical Abstraction for
Combinatorial Generalization in Object Rearrangement [75.9289887536165]
基礎となるエンティティを明らかにするための階層的抽象化手法を提案する。
本研究では,エージェントのモデルにおける実体の状態の介入と,環境中の物体に作用する状態の対応関係を学習する方法を示す。
この対応を利用して、オブジェクトの異なる数や構成に一般化する制御法を開発する。
論文 参考訳（メタデータ） (2023-03-20T18:19:36Z) - elBERto: Self-supervised Commonsense Learning for Question Answering [131.51059870970616]
本稿では、市販QAモデルアーキテクチャと互換性のあるコモンセンスフレームワークの自己教師型双方向表現学習を提案する。
このフレームワークは5つの自己教師型タスクから構成されており、リッチコモンセンスを含むコンテキストから追加のトレーニング信号を完全に活用するようモデルに強制する。
elBERtoは、単純な語彙的類似性比較が役に立たないような、アウト・オブ・パラグラフや非エフェクトな問題に対して、大幅に改善されている。
論文 参考訳（メタデータ） (2022-03-17T16:23:45Z)
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。