論文の概要: Soft Symbol Grounding for Prototypical Concepts

• arxiv url: http://arxiv.org/abs/2609.12247v1
• Date: Thu, 10 Sep 2026 22:10:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.554998
• Title: Soft Symbol Grounding for Prototypical Concepts
• Title（参考訳）: 原型概念のための軟式記号接地
• Abstract要約: textbfSoft-PNetは、Metropolisが実現可能なシンボリックソリューションのキャッシュの上を歩くときの基礎となる概念を再構築する。 プロトタイプ重み付けキャッシュとネットワークの概念予測の間にあるKL目標に対してトレーニングを行う。 textttMNIST-EvenOdd, Visual Sudoku, texttKand-Logic では、Soft-PNet はロスエンジニアリングネットワークとラベルレベルを一致させ、ソフトグラウンドベースラインが見逃す概念を復元する。
• 参考スコア（独自算出の注目度）: 1.9584254864124988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuro-symbolic models are usually trained with supervision only on final labels, leaving the intermediate concepts unobserved. Since many concept assignments are consistent with a given label, training can predict labels correctly while recovering the wrong concepts, a failure known as a reasoning shortcut. Prototypical networks reduce shortcuts by anchoring each concept to a few labeled examples, but existing methods still couple perception and reasoning through a hand-crafted, task-specific differentiable loss that must be redesigned for every task. We introduce \textbf{Soft-PNet}, which removes this loss: it reframes concept grounding as a Metropolis walk over a precomputed cache of feasible symbolic solutions, guided by a prototype distribution built from a single labeled anchor per concept, and trains against one KL objective between the prototype-weighted cache and the network's concept predictions. The objective is identical across tasks and remains applicable when the solution space cannot be enumerated. On \texttt{MNIST-EvenOdd}, Visual Sudoku, and \texttt{Kand-Logic} under scarce supervision, Soft-PNet matches loss-engineered prototypical networks at the concept and label levels and recovers concepts that soft-grounding baselines miss, with no loss engineering and lower training time.
• Abstract（参考訳）: ニューロシンボリックモデルは通常、最終ラベルのみを監督して訓練され、中間概念は保存されない。 多くの概念割り当ては与えられたラベルと一致しているため、トレーニングは間違った概念を回復しながらラベルを正しく予測することができる。 プロトタイプネットワークは、各概念をいくつかのラベル付き例に固定することでショートカットを減らすが、既存の方法は、手作りのタスク固有の差別化可能な損失を通じて認識と推論を混同し、すべてのタスクのために再設計する必要がある。 メトロポリスが実現可能なシンボリックソリューションのキャッシュを事前に計算し、単一のラベル付きアンカーから構築されたプロトタイプディストリビューションでガイドし、プロトタイプ重み付きキャッシュとネットワークの概念予測の間の1つのKL目標に対してトレーニングする。 目的はタスク全体で同一であり、解空間が列挙できない場合にも適用可能である。 ソフトPNetは、低監督下でのtexttt{MNIST-EvenOdd}、Visual Sudoku、および \texttt{Kand-Logic} において、損失エンジニアリングされたプロトタイプネットワークをラベルレベルと概念でマッチングし、ソフトグラウンドベースラインが失われる概念を復元する。

関連論文リスト

• Interpreting Object-Dependent Concept Brittleness in Text-to-Image Diffusion Models [105.53190946111586]
  我々はこの現象をオブジェクト依存概念の脆さと呼ぶ。 これらの障害を監査し、最小限に修正する、解釈可能性指向のフレームワークを提案する。 複数の拡散バックボーンにまたがるスタイルと属性の故障事例について,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-09-09T09:07:40Z)
• Concept Unlearning via Cross-Attention Activation Projection for Diffusion Models [6.701045531467819]
  概念アンラーニングは、事前訓練されたテキスト-画像拡散モデルからターゲット概念を再トレーニングせずに消去することを目的としている。 既存のクローズドフォームメソッドは、テキストエンコーダの応答を通じてターゲット概念を表現する。 本稿では,層間相互アテンションアクティベーションからベースを隠蔽・保持するクローズドフォーム手法PUREを提案する。
  論文  参考訳（メタデータ） (2026-05-25T12:18:47Z)
• Beyond Heuristic Prompting: A Concept-Guided Bayesian Framework for Zero-Shot Image Recognition [81.2779530670268]
  VLM(Vision-Language Models)は、ゼロショット画像認識を著しく進歩させたモデルである。 本稿では、クラス固有の概念を取り入れることで、プロンプトを強化する。 我々の手法は一貫して最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-03-09T03:11:11Z)
• Hierarchical Concept-based Interpretable Models [23.16720677779406]
  概念埋め込みモデル(CEM)は、入力を人間の解釈可能な概念表現にマッピングし、タスクを予測できる。 しかし、CEMは概念間の関係を表現できず、トレーニング中に異なる粒度で概念アノテーションを必要とする。 階層的概念埋め込みモデル(HiCEM)は,階層的構造を通じて概念関係を明示的にモデル化するCEMの新しいファミリーである。
  論文  参考訳（メタデータ） (2026-02-27T11:49:56Z)
• ConceptPrism: Concept Disentanglement in Personalized Diffusion Models via Residual Token Optimization [11.472088067393074]
  ConceptPrismは、画像固有の残留物から共有視覚概念を自動的に切り離す新しいフレームワークである。 実験では、ConceptPrismは概念の絡み合いを効果的に解決し、忠実さと整合性の間のトレードオフを著しく改善する。
  論文  参考訳（メタデータ） (2026-02-23T07:46:19Z)
• FaCT: Faithful Concept Traces for Explaining Neural Network Decisions [56.796533084868884]
  ディープネットワークは、幅広いタスクで顕著なパフォーマンスを示しているが、それらの機能に関するグローバルな概念レベルの理解は、依然として重要な課題である。 本稿では,概念に基づく説明の忠実さを強調し,モデル独立な機械的概念説明を用いた新しいモデルを提案する。 私たちの概念はクラス間で共有され、あらゆるレイヤから、ロジットへの貢献と入力-視覚化を忠実にトレースすることができます。
  論文  参考訳（メタデータ） (2025-10-29T13:35:46Z)
• Preserving Task-Relevant Information Under Linear Concept Removal [19.953631890863498]
  SPLICEは、ターゲットラベルとの共分散を維持しながら、表現からセンシティブな概念を排除します。 これは線形の概念予測可能性を取り除き、最小の埋め込み歪みで目標共分散を維持するユニークな解である。 実証的には、SPLICEはBias in BiosやWinobiasなどのベンチマークでベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T13:53:29Z)
• Zero-shot Concept Bottleneck Models [17.70684428339905]
  概念ボトルネックモデル(CBM)は本質的に解釈可能で、解釈可能なニューラルネットワークモデルである。 ニューラルネットワークを訓練することなく,概念やラベルをゼロショットで予測するテクスツケロ・ショット・コンセプト・ボトルネック・モデル(Z-CBM)を提案する。
  論文  参考訳（メタデータ） (2025-02-13T07:11:07Z)
• How to Continually Adapt Text-to-Image Diffusion Models for Flexible Customization? [91.49559116493414]
  本稿では,CIDM(Concept-Incremental Text-to-image Diffusion Model)を提案する。 破滅的な忘れと概念の無視を解決し、新しいカスタマイズタスクを概念的な方法で学習する。 実験により、CIDMが既存のカスタム拡散モデルを上回ることが確認された。
  論文  参考訳（メタデータ） (2024-10-23T06:47:29Z)
• Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
  ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。 本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。 我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
  論文  参考訳（メタデータ） (2024-07-19T17:50:11Z)
• Concept Bottleneck Model with Additional Unsupervised Concepts [0.5939410304994348]
  概念ボトルネックモデル(CBM)に基づく新しい解釈可能なモデルを提案する。 CBMは概念ラベルを使用して、中間層を追加の可視層としてトレーニングする。 これら2つの概念をシームレスにトレーニングし,計算量を削減することにより,教師付き概念と教師なし概念を同時に得ることができる。
  論文  参考訳（メタデータ） (2022-02-03T08:30:51Z)
• Kernelized Concept Erasure [108.65038124096907]
  概念消去のための線形ミニマックスゲームのカーネル化を提案する。 特定の非線形敵が概念を予測するのを防ぐことができる。 しかし、保護は異なる非線形敵に移動しない。
  論文  参考訳（メタデータ） (2022-01-28T15:45:13Z)

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。