論文の概要: Auto-Formalizing Neuro-Symbolic Predictors

• arxiv url: http://arxiv.org/abs/2610.01519v1
• Date: Thu, 01 Oct 2026 11:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.099552
• Title: Auto-Formalizing Neuro-Symbolic Predictors
• Title（参考訳）: 自己形成型ニューロシンボリック予測器
• Abstract要約: 制約形式評価のための新しいベンチマークであるauto-nesy-benchを導入する。 LLMは制約を有意な程度に定式化することができ、人間の専門家が提供したような公式を生成することができる。 生成された公式が構文的に有効であれば、高品質な下流予測につながる可能性がある。
• 参考スコア（独自算出の注目度）: 31.87231657040742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuro-Symbolic (NeSy) predictors incorporate prior knowledge into the prediction process of neural networks, ensuring that outputs satisfy specified constraints, making them particularly suitable for high-stakes applications where compliance with domain knowledge is essential. A key bottleneck in this paradigm is the acquisition of symbolic constraints: encoding domain knowledge into logical formulas remains a manual and expert-intensive process. In this work, we investigate the extent to which auto-formalization via LLMs can systematically translate textual knowledge into symbolic knowledge that can be plugged into NeSy predictors. To this end, we introduce auto-nesy-bench, a new benchmark for evaluating constraint formalization and its impact on downstream accuracy of NeSy predictors. Through an extensive evaluation across several domains, we find that LLMs can formalize constraints to a meaningful extent, generating formulas that are often similar to those provided by human experts. Moreover, when the generated formulas are syntactically valid, they can lead to high-quality downstream predictions. The code and benchmark are available at https://unitn-sml.github.io/auto-nesy-bench/.
• Abstract（参考訳）: ニューロ・シンボリック(Neuro-Symbolic、NeSy)予測器は、事前知識をニューラルネットワークの予測プロセスに組み込んで、出力が特定の制約を満たすことを保証する。 このパラダイムの主要なボトルネックは、記号的制約の獲得である。 ドメイン知識を論理式に符号化することは、手動で専門家が集中するプロセスのままである。 本研究では,LLMによる自動形式化がテキスト知識をNeSy予測子にプラグイン可能なシンボリック知識に体系的に変換できる範囲について検討する。 この目的のために,制約形式化評価のための新しいベンチマークであるauto-nesy-benchを導入し,NeSy予測器の下流精度への影響について検討する。 複数の領域にわたる広範な評価により、LLMは制約を有意な程度に定式化することができ、しばしば人間の専門家によって提供されるものと類似した公式を生成する。 さらに、生成された公式が構文的に有効であれば、高品質な下流予測につながる可能性がある。 コードとベンチマークはhttps://unitn-sml.github.io/auto-nesy-bench/で公開されている。

関連論文リスト

• NeuroNL2LTL: A Neurosymbolic Framework for Natural Language Translation of Linear Temporal Logic [0.0]
  本稿では,学習翻訳と形式的検証を一体化したニューロシンボリックアーキテクチャであるNeuroNL2LTLを提案する。 航空宇宙、ロボティクス、自動運転車、さらに10のドメインにまたがる20万以上の要件に対して、NeuroNL2LTLは基準仕様と28%のセマンティックな等価性を達成している。
  論文  参考訳（メタデータ） (2026-05-20T03:31:51Z)
• Neuro-Symbolic Predictive Process Monitoring [7.295472411867107]
  本稿では,データ駆動学習と時間論理に基づく事前知識を統合したニューロシンボリック予測プロセスモニタリング(PPM)手法を提案する。 本稿では,有限トレース(LTLf)上の線形時間論理を自己回帰列予測器のトレーニングプロセスに組み込む新しい手法を提案する。 実世界の3つのデータセットを実験的に評価したところ,本手法は接尾辞予測精度と時間的制約の遵守を改善した。
  論文  参考訳（メタデータ） (2025-08-31T13:07:17Z)
• Meta-Representational Predictive Coding: Biomimetic Self-Supervised Learning [51.22185316175418]
  メタ表現予測符号化(MPC)と呼ばれる新しい予測符号化方式を提案する。 MPCは、並列ストリームにまたがる感覚入力の表現を予測することを学ぶことによって、感覚入力の生成モデルを学ぶ必要性を助長する。
  論文  参考訳（メタデータ） (2025-03-22T22:13:14Z)
• LLM Processes: Numerical Predictive Distributions Conditioned on Natural Language [35.84181171987974]
  我々のゴールは、数値データを処理し、任意の場所で確率的予測を行うレグレッションモデルを構築することである。 まず、大規模言語モデルから明示的で一貫性のある数値予測分布を抽出する戦略を探求する。 本研究では,テキストを数値予測に組み込む能力を示し,予測性能を改善し,定性的な記述を反映した定量的な構造を与える。
  論文  参考訳（メタデータ） (2024-05-21T15:13:12Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Privacy-preserving machine learning with tensor networks [37.01494003138908]
  テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。 まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。 このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
  論文  参考訳（メタデータ） (2022-02-24T19:04:35Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• Relaxing the Constraints on Predictive Coding Models [62.997667081978825]
  予測符号化(英: Predictive coding)は、脳が行う主計算が予測誤差の最小化であるとする皮質機能の影響力のある理論である。 アルゴリズムの標準的な実装は、同じ前方と後方の重み、後方の非線形微分、1-1エラーユニット接続といった、潜在的に神経的に予測できない特徴を含んでいる。 本稿では,これらの特徴はアルゴリズムに不可欠なものではなく,Hebbianの更新ルールを用いてパラメータセットを直接あるいは学習することで,学習性能に悪影響を及ぼすことなく除去可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-02T15:21:37Z)

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。