論文の概要: PRISM-BN: A Controlled Corpus and Benchmark for Text-to-Parameterized Bayesian Network Extraction

• arxiv url: http://arxiv.org/abs/2609.21673v1
• Date: Fri, 18 Sep 2026 12:09:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.072161
• Title: PRISM-BN: A Controlled Corpus and Benchmark for Text-to-Parameterized Bayesian Network Extraction
• Title（参考訳）: PRISM-BN:テキストからパラメータ化されたベイズネットワーク抽出のためのコーパスとベンチマーク
• Abstract要約: 離散参照BNと組み合わせた5054 BN基底記述の制御コーパスであるPRISM-BNを紹介する。 PRISM-BN は PRISM で構築されている。 条件付き状態とエッジリカバリは一貫して強力だが、厳密な完全CPD協定は依然として困難である。
• 参考スコア（独自算出の注目度）: 30.455627518025057
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Probabilistic Graphical Models (PGMs), especially Bayesian Networks (BNs), expose directed structure and probabilistic parameters, making them natural symbolic targets for neurosymbolic AI. Yet training text-to-parameterized-BN systems requires paired text-to-BN resources unavailable at scale. We introduce PRISM-BN, a controlled corpus of 5054 BN-grounded descriptions paired with discrete reference BNs containing variables, states, directed edges, root priors, and full multi-parent CPDs across five domains. The instances are derived from 50 Wikipedia-seeded backbones, and their probabilities are internally constructed benchmark targets rather than externally validated causal estimates. PRISM-BN is built with PRISM, a marginal-first pipeline that elicits marginal and local joint distributions, analytically recovers normalized CPDs, and constructs locally reparameterized subgraphs. We define a benchmark with semantic node and state alignment, conditional structural scoring, and strict full-CPD evaluation. Across six LLM extractors, Node F1 ranges from 0.56 to 0.83, conditional Edge F1 from 0.90 to 0.97, and CPD-KL from 1.11 to 3.14. Conditional state and edge recovery remain consistently strong, whereas strict full-CPD agreement remains challenging. These trends persist with independently generated GPT-5.5 references, and a human pilot corroborates structural recoverability and similar probabilistic interpretations. PRISM-BN supports separate evaluation of structural recovery and probabilistic parameter estimation.
• Abstract（参考訳）: 確率的グラフィカルモデル(PGM)、特にベイズネットワーク(BN)は、有向構造と確率的パラメータを公開し、ニューロシンボリックAIの自然な象徴的ターゲットとなっている。 しかし、テキスト-パラメータ化-BNシステムのトレーニングには、大規模に利用できないペア化されたテキスト-BNリソースが必要である。 PRISM-BNは,5つの領域にまたがる変数,状態,有向エッジ,ルート先行,完全多目的PDを含む離散参照BNと組み合わせた5054 BN基底記述の制御コーパスである。 インスタンスはウィキペディアの50種類のバックボーンから派生しており、その確率は外部で検証された因果推定ではなく、内部で構築されたベンチマークターゲットである。 PRISM-BN は PRISM で構築されており、辺縁と局所の関節分布を抽出し、解析的に正規化された CPD を復元し、局所的に再パラメータ化された部分グラフを構築する。 セマンティックノードと状態アライメント、条件付き構造スコアリング、厳密なフルCPD評価を備えたベンチマークを定義する。 6つのLCM抽出器のうち、ノード F1 は 0.56 から 0.83 まで、条件付きエッジ F1 は 0.90 から 0.97 まで、PD-KL は 1.11 から 3.14 までである。 条件付き状態とエッジリカバリは一貫して強力だが、厳密な完全CPD協定は依然として困難である。 これらの傾向は独立に生成されたGPT-5.5参照に持続し、人間のパイロットは構造回復可能性や同様の確率論的解釈を裏付ける。 PRISM-BNは、構造回復と確率的パラメータ推定を別々に評価する。

関連論文リスト

• ABSOL: Aggregated Bayesian Subsampling Orchestrated with LLMs [9.475016959358637]
  大規模言語モデルは、構造化データに対する自然言語インタフェースとしてますます使われている。 本稿では,LLMを境界セマンティックガイドとして使用するハイブリッドベイズネットワーク構造学習フレームワークであるABSOLを紹介する。 言語由来のセマンティック知識は、スケーラブルな確率的構造学習を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2026-09-14T04:15:05Z)
• The Complexity Ceiling Benchmark: A Multi-Domain Evaluation of Sequential Reasoning Under Depth Scaling [8.616356693448987]
  本稿では,言語モデル推論の減衰の制御された評価法である複雑性シーリングベンチマーク(CCB)を紹介する。 CCBはタスクのセマンティックな内容を修正し、その深さ N は3つの構造的に異なる状態に対して 5,...,50 でしか変化しない。 広く区切られた領域天井で幾何毎の崩壊のパターンが一貫することがわかった。
  論文  参考訳（メタデータ） (2026-06-28T08:56:34Z)
• On the Role of Reasoning Patterns in the Generalization Discrepancy of Long Chain-of-Thought Supervised Fine-Tuning [63.41902113656453]
  長いチェーン・オブ・ソート(CoT)軌道上でのSFT(Supervised Fine-Tuning)は、大きな推論モデルを構築する上で重要なフェーズとなっている。 2つの競合モデルによって生成された2つの検証されたCoT軌道源を用いて比較研究を行う。 textttDeepSeek-R1-0528データ上のSFTは、トレーニング損失を著しく低減するが、一般化性能は著しく低下する。
  論文  参考訳（メタデータ） (2026-04-02T07:00:54Z)
• I Know What I Don't Know: Latent Posterior Factor Models for Multi-Evidence Probabilistic Reasoning [0.0]
  本稿では,遅延後続因子 (LPF) をSum-Product Network (SPN) 推論のソフトな可能性因子に変換するフレームワークとして紹介する。 LPF を LPF-SPN (structured Factor-based inference) と LPF-Learned (end-to-end learned aggregate) とみなす。 8つのドメイン(7つの合成およびFEVERベンチマーク)で、LPF-SPNは高い精度(最大97.8%)、低い校正誤差(ECE 1.4%)、強い確率適合を達成する。
  論文  参考訳（メタデータ） (2026-03-13T10:05:14Z)
• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• Unified Batch Normalization: Identifying and Alleviating the Feature Condensation in Batch Normalization and a Unified Framework [55.22949690864962]
  バッチ正規化(BN)は、現代のニューラルネットワーク設計において欠かせない技術となっている。 UBN(Unified Batch Normalization)と呼ばれる2段階統合フレームワークを提案する。 UBNは異なる視覚バックボーンと異なる視覚タスクのパフォーマンスを大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-27T16:41:31Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)
• NPBDREG: A Non-parametric Bayesian Deep-Learning Based Approach for Diffeomorphic Brain MRI Registration [0.0]
  NPBDREGは、教師なしの変形可能な画像登録のための非最適フレームワークである。 それは理論上よくパラメトリックで計算的に効率的な方法で、改善された不確実性推定と信頼度測定を提供する。 PrVXMに比べて登録精度は若干改善されている。
  論文  参考訳（メタデータ） (2021-08-15T16:00:06Z)
• Pruning Redundant Mappings in Transformer Models via Spectral-Normalized Identity Prior [54.629850694790036]
  スペクトル正規化アイデンティティ事前 (SNIP) は、トランスフォーマーモデルにおける残余モジュール全体をアイデンティティマッピングに向けてペナライズする構造化プルーニング手法である。 5つのGLUEベンチマークタスクでBERTを用いて実験を行い、SNIPが同等の性能を維持しながら効率的な刈り取り結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-10-05T05:40:56Z)

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。