論文の概要: Neural Structural Reasoner: A Brain-inspired Architecture for Reasoning over Structured Knowledge

• arxiv url: http://arxiv.org/abs/2609.36620v1
• Date: Tue, 29 Sep 2026 03:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.155959
• Title: Neural Structural Reasoner: A Brain-inspired Architecture for Reasoning over Structured Knowledge
• Title（参考訳）: Neural Structure Reasoner: 構造化知識に対する推論のための脳にインスパイアされたアーキテクチャ
• Abstract要約: 我々は,脳にインスパイアされたネットワークであるNeural Structure Reasoner (NSR)を紹介した。 NSRはすべてのデータセットをリードすることなく、競争精度を達成し、複数のニューラルネットワークよりもトレーニング時間を短縮した。
• 参考スコア（独自算出の注目度）: 0.9558392439655014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structural reasoning, the ability to recognize and make inferences over the relational structure between objects and concepts, is a hallmark of human cognition, yet prevailing methods often collapse relational topology into flat embeddings, cannot discover hidden structure and lack interpretability. We introduce Neural Structural Reasoner (NSR), a brain-inspired network that preserves relational structure directly in the connectivity and dynamics of coupled neuronal populations. NSR draws inspiration from three biological mechanisms: multi-layered architecture for encoding hierarchical knowledge, stable representations of entity and concepts, and path integration for input-driven state inference. At query time, NSR parallelizes computation over candidate relational structures and leverages confidence-weighted scores to perform link prediction. Across standard knowledge-graph benchmarks, NSR achieves competitive accuracy without leading on every dataset, and has lower reported training times than several neural baselines. Because reasoning is implemented through sequences of human-readable neuron activations, NSR affords native interpretability by tracking intermediate inference steps. The model further extracts latent relational hierarchies and compositional rules, demonstrating the brain-inspired architecture as an effective, efficient, and highly interpretable substrate for structural reasoning.
• Abstract（参考訳）: 構造的推論(構造的推論)は、対象と概念の間の関係構造を認識・推論する能力であり、人間の認知の指標であるが、一般的な手法は、関係的トポロジーを平らな埋め込みに分解し、隠れた構造を発見することができず、解釈可能性に欠ける。 我々は,脳にインスパイアされたネットワークであるNeural Structure Reasoner (NSR)を紹介した。 NSRは、階層的知識を符号化するための多層構造、実体と概念の安定した表現、入力駆動状態推論のための経路積分という3つの生物学的メカニズムからインスピレーションを得ている。 クエリ時にNSRは、候補関係構造上の計算を並列化し、信頼度重み付けスコアを利用してリンク予測を行う。 標準的なナレッジグラフベンチマーク全体を通じて、NSRはすべてのデータセットをリードすることなく、競争精度を達成し、複数のニューラルネットワークよりもトレーニング時間が短縮された。 推論は、ヒト可読性ニューロン活性化のシーケンスによって実装されるため、NSRは中間推論ステップを追跡することによって、ネイティブな解釈可能性を得る。 このモデルはさらに、潜在的関係階層と構成規則を抽出し、脳にインスパイアされたアーキテクチャを、構造的推論のための効果的な、効率的で、高度に解釈可能な基質として示す。

関連論文リスト

• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• The Human Brain as a Combinatorial Complex [3.849079578881503]
  現在のグラフベースの脳ネットワークの表現は、神経の複雑さを特徴づける高次の依存関係を見逃している。 本稿では,fMRI時系列データから複合体(CC)を構築するためのフレームワークを提案する。 この研究は、従来のグラフ手法では見えない、基本的な高次構造を保存する脳ネットワーク表現のためのフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-11-22T19:04:13Z)
• 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)
• Biologically inspired structure learning with reverse knowledge distillation for spiking neural networks [19.33517163587031]
  スパイキングニューラルネットワーク(SNN)は、その生物学的妥当性から感覚情報認識タスクにおいて非常に優れた特徴を持つ。 現在のスパイクベースのモデルの性能は、完全に接続された構造か深すぎる構造かによって制限されている。 本稿では,より合理的なSNNを構築するための進化的構造構築法を提案する。
  論文  参考訳（メタデータ） (2023-04-19T08:41:17Z)
• Neural-Symbolic Recursive Machine for Systematic Generalization [113.22455566135757]
  我々は、基底記号システム(GSS)のコアとなるニューラル・シンボリック再帰機械(NSR)を紹介する。 NSRは神経知覚、構文解析、意味推論を統合している。 我々はNSRの有効性を,系統的一般化能力の探索を目的とした4つの挑戦的ベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-10-04T13:27:38Z)
• Random Graph-Based Neuromorphic Learning with a Layer-Weaken Structure [4.477401614534202]
  我々は,ランダムグラフ理論を実践的な意味でNNモデルに変換し,各ニューロンの入出力関係を明らかにする。 この低演算コストアプローチでは、ニューロンはいくつかのグループに割り当てられ、接続関係はそれらに属するランダムグラフの一様表現とみなすことができる。 本稿では,複数のRGNN間の情報インタラクションを含む共同分類機構を開発し,教師付き学習における3つのベンチマークタスクの大幅な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-11-17T03:37:06Z)
• Relational Reasoning Networks [9.262082274025708]
  本稿では,深層建築の潜伏空間における推論を行う新しいエンドツーエンドモデルであるニューロ・シンボリック・ネットワーク(R2N)を提案する。 R2Nは、学習と推論を異種問題に統合する神経象徴的なプラットフォームとして純粋に象徴的またはタスクに適用することができる。
  論文  参考訳（メタデータ） (2021-06-01T11:02:22Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)

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。