論文の概要: SMTB: Fast Structure-Mapping with Tight Bounds

• arxiv url: http://arxiv.org/abs/2609.25508v1
• Date: Tue, 22 Sep 2026 00:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.156315
• Title: SMTB: Fast Structure-Mapping with Tight Bounds
• Title（参考訳）: SMTB:タイトバウンド付き高速構造マッピング
• Abstract要約: 我々は、新しい構造マッピングアルゴリズム、Tight Bounds (SMTB)を導入する。 SMTBはStructure-mapping Engine (SME) よりも5～15倍高速で、大きなネスト領域でのマッピングの精度は約50%向上した。
• 参考スコア（独自算出の注目度）: 2.1485350418225244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structure-mapping forms analogies by aligning systems of relationally connected elements based on shared structure instead of surface features. We introduce a new structure-mapping algorithm: Structure-Mapping with Tight Bounds (SMTB) that is 5--15x faster than the structure-mapping engine (SME) and about 50\% better at finding mappings in large nested domains. SMTB is part of the broader Cognitive Rule Engine (CRE) project, a flexible multi-language-compatible framework with an accessible Python interface to state-of-the-art C++ implementations of core algorithms commonly used in cognitive systems such as pattern matching, planning, and structure-mapping. CRE and SMTB are designed to work with a wide range of representation choices. Unlike SME, which biases higher-order correspondences in tree-like predicate logic, SMTB maximizes relational connectivity without privileging higher-order relations. This allows SMTB to work just as well over arbitrary relational graphs as it does in tree-like domains of nested predicate logic. We discuss situations where privileging "higher-orderness" in structure-mapping can cause issues, and illustrate how SMTB avoids failure modes that SME would encounter in these situations. We also provide an evaluation comparing SMTB to SME v4 over 5845 domain pairs from the SME corpus.
• Abstract（参考訳）: 構造マッピングは、表面の特徴の代わりに共有構造に基づく関係連結要素の系を整列させることによって類似を形成する。 構造マッピングエンジン(SME)よりも5～15倍高速で、大きなネスト領域でのマッピングの精度が約50%向上した構造マッピングアルゴリズム(SMTB)を提案する。 SMTBは、パターンマッチング、計画、構造マッピングといった認知システムで一般的に使用されるコアアルゴリズムの最先端のC++実装に対して、アクセス可能なPythonインターフェースを備えたフレキシブルな多言語互換フレームワークであるCrognitive Rule Engine(CRE)プロジェクトの一部である。 CREとSMTBは、幅広い表現選択を扱うように設計されている。 木のような述語論理における高次対応をバイアスするSMEとは異なり、SMTBは高次関係を弱めることなく関係接続を最大化する。 これによりSMTBは、ネストした述語論理のツリーのようなドメインのように、任意のリレーショナルグラフ上でも動作する。 構造マッピングにおける「高次性」の特権化が問題を引き起こす状況について論じるとともに,中小企業がこのような状況で直面する障害モードをSMTBがいかに回避するかを説明する。 また,SMTBとSME v4の比較を,SMEコーパスの5845ドメイン対と比較した。

関連論文リスト

• Does Syntax Matter? A Graph-Augmented Variational Topic Model for Computational Social Sciences [51.56484100374058]
  本稿では、構文依存関係をトピック推論に組み込んだアーキテクチャである、構造的文脈確率的トピックモデル(SCPTM)を紹介する。 本研究では,レジスタ構造と談話構造が異なる4つのコーパスのトピックモデリング手法について検討した。 その結果, SCPTMのニューラルアーキテクチャは, 生成的ベースラインよりも文書・トピックアライメントが著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2026-09-07T17:39:06Z)
• DMAP: Human-Aligned Structural Document Map for Multimodal Document Understanding [30.54420648726099]
  文書レベルの構造文書MAPは、階層的組織と多モード文書内の要素間関係の両方を符号化する。 この表現に基づいて、リフレクティブ推論エージェントは構造認識およびエビデンス駆動推論を実行する。 MMDocQAベンチマークの実験では、DMAPが文書固有の構造表現を人間の解釈パターンと一致させることが示されている。
  論文  参考訳（メタデータ） (2026-01-26T06:38:25Z)
• ToM: Leveraging Tree-oriented MapReduce for Long-Context Reasoning in Large Language Models [107.86069298500855]
  ToMは、長期コンテキスト推論のための新しいツリー指向MapReduceフレームワークである。 ToM は既存の分割・クエリー・フレームワークや検索拡張生成手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-01T10:43:58Z)
• Refinement Module based on Parse Graph for Human Pose Estimation [9.106514619168536]
  Parse Graphに基づく新しいコンテキスト関係と階層構造モデリングモジュールRMPGを提案する。 RMPGは、特徴写像のトップダウン分解とコンテキスト情報付きサブノード特徴写像のボトムアップ合成により特徴写像を適応的に洗練する。 様々な主流のヒューマン・ポース推定ネットワークにプラグインとして柔軟に組み込むことができる。
  論文  参考訳（メタデータ） (2025-01-19T15:05:15Z)
• Searching for Efficient Linear Layers over a Continuous Space of Structured Matrices [88.33936714942996]
  アインシュタイン和を通じて表現可能なすべての線形作用素の探索を可能にする統一フレームワークを提案する。 計算-最適スケーリング法則の違いは主に少数の変数によって支配されていることを示す。 そこで,Mixture-of-Experts (MoE) は,注目ブロックの投影を含む,モデルのすべての線形層におけるMoEを学習する。
  論文  参考訳（メタデータ） (2024-10-03T00:44:50Z)
• Standardizing Structural Causal Models [80.21199731817698]
  ベンチマークアルゴリズムのための内部標準構造因果モデル(iSCM)を提案する。 構成上、iSCMは$operatornameVar$-sortableではない。 また、一般的に使用されるグラフ族に対して$operatornameR2$-sortableでないという経験的証拠も見つかる。
  論文  参考訳（メタデータ） (2024-06-17T14:52:21Z)
• StrAE: Autoencoding for Pre-Trained Embeddings using Explicit Structure [5.2869308707704255]
  StrAEは構造化オートエンコーダフレームワークであり、明示的な構造に厳格に固執することで、マルチレベル表現の効果的な学習を可能にする。 本研究の結果は,入力として提供される構造に直接的な関連性があることを示し,既存のツリーモデルではそうではないことを示す。 次に、StrAEを拡張して、単純なローカライズ・マージアルゴリズムを用いてモデルが独自の構成を定義する。
  論文  参考訳（メタデータ） (2023-05-09T16:20:48Z)
• Auto-Panoptic: Cooperative Multi-Component Architecture Search for Panoptic Segmentation [144.50154657257605]
  本稿では、バックボーン、セグメンテーションブランチ、フィーチャーフュージョンモジュールを含むすべての主要コンポーネントを同時に検索する効率的なフレームワークを提案する。 検索したアーキテクチャ、すなわちAuto-Panopticは、挑戦的なCOCOとADE20Kベンチマークに関する新しい最先端技術を実現します。
  論文  参考訳（メタデータ） (2020-10-30T08:34:35Z)

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。