論文の概要: Can machines reason non-verbally?

• arxiv url: http://arxiv.org/abs/2610.13925v1
• Date: Fri, 09 Oct 2026 17:54:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.719237
• Title: Can machines reason non-verbally?
• Title（参考訳）: 機械は非言語的に推論できるのか?
• Abstract要約: 我々は、生成、検証、最適化をマシンの推論パイプラインに統合するフレームワークであるGenVerOptを紹介した。 候補解を生成し、その正しさを検証し、繰り返し修正することで、GenVerOptはサンプルごとの最適化を可能にする。 前立腺がんの領域で臨床医と一致し、肝血管再建の専門家を超え、腫瘍境界アライメントにおける最先端のアプローチを上回っている。
• 参考スコア（独自算出の注目度）: 6.577493142633064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern machines can solve equations, follow logic and reason through language, yet they still struggle with problems that require visual non-verbal reasoning. This is evident even in advanced systems such as DeepSeek, ChatGPT and Gemini, which remain limited on visual tasks such as completing abstract patterns or delineating ambiguous regions-of-interest. Unlike explicit intermediate steps in verbal reasoning which can be verified through logic or automated tests, visual reasoning involves implicit intermediate steps with no clear methods for verification. Non-verbal reasoning is therefore challenging to model and, as a result, remains a fundamental limitation of current machine intelligence. Here we introduce GenVerOpt, a general framework that unifies generation, verification and optimisation into a reasoning pipeline for machines. By generating candidate solutions, verifying their correctness, and iteratively refining them, GenVerOpt enables per-sample optimisation rather than relying solely on dataset-level trends captured during model training. This process mirrors human problem-solving where multiple possibilities are imagined, evaluated, and refined until a correct solution emerges. Across diverse domains, GenVerOpt demonstrates capabilities beyond existing systems: it surpasses humans on abstract IQ puzzles, matches clinicians in prostate cancer segmentation, exceeds experts in liver vessel reconstruction and outperforms state-of-the-art approaches in tumour boundary alignment. These results show that machine reasoning can extend beyond language, establishing visual non-verbal reasoning as a foundation for more flexible and generalisable intelligence.
• Abstract（参考訳）: 現代の機械は方程式を解き、論理と論理を言語を通して従うことができるが、視覚的非言語的推論を必要とする問題に苦戦している。 これはDeepSeek、ChatGPT、Geminiのような先進的なシステムでも明らかであり、抽象的なパターンの完成や曖昧な領域の記載といった視覚的なタスクに限られている。 論理や自動テストによって検証できる言語推論における明示的な中間段階とは異なり、視覚推論は、明確な検証方法を持たない暗黙的な中間段階を含む。 したがって、非言語推論はモデル化が困難であり、その結果、現在のマシンインテリジェンスの基本的限界が残っている。 本稿では、生成、検証、最適化をマシンの推論パイプラインに統合する一般的なフレームワークであるGenVerOptを紹介する。 GenVerOptは、候補ソリューションを生成し、その正しさを検証し、反復的に修正することにより、モデルトレーニング中にキャプチャされたデータセットレベルのトレンドのみに依存するのではなく、サンプルごとの最適化を可能にする。 このプロセスは、正しい解が現れるまで、複数の可能性が想像され、評価され、洗練される人間の問題解決を反映する。 GenVerOptは、さまざまな領域にわたって、抽象IQパズルで人間を超越し、前立腺がんのセグメンテーションで臨床医と一致し、肝血管再建の専門家を超越し、腫瘍境界アライメントにおける最先端のアプローチを上回ります。 これらの結果は、機械推論が言語を超えて拡張できることを示し、より柔軟で汎用的な知性の基礎として視覚的非言語推論を確立する。

関連論文リスト

• Look on Demand: A Cognitive Scheduling Framework for Visual Evidence Acquisition in Multimodal Reasoning [82.86343313807158]
  我々は、視覚的証拠が推論プロセスにどのように、いつ導入されるかが中心的な課題であると主張している。 この知見により,言語モデルが推論プロセスを制御するマルチモーダル推論フレームワークCSMRを提案する。
  論文  参考訳（メタデータ） (2026-05-27T08:43:13Z)
• Unsupervised decoding of encoded reasoning using language model interpretability [5.139676481194603]
  我々は、現在の解釈可能性技術が符号化推論に浸透できるかどうかを考察する。 ここでは,ロジットレンズが効果的に符号化推論を翻訳可能であることを示す。 我々は、ロジットレンズと自動パラフレージングを組み合わせた、完全に教師なしの復号パイプラインを開発した。
  論文  参考訳（メタデータ） (2025-12-01T03:05:20Z)
• Think Visually, Reason Textually: Vision-Language Synergy in ARC [94.15522924153264]
  ARC-AGIは、概念ルールの誘導と新しいタスクへの転送のための厳格なテストベッドである。 既存のほとんどの手法は、ARC-AGIを純粋にテキストによる推論タスクとして扱い、人間が視覚的抽象化に強く依存しているという事実を見落としている。 VLSR(Vision-Language Synergy Reasoning)とMSSC(Modality-Switch Self-Correction)の2つの相乗的戦略を導入する。 本研究は,視覚的抽象と言語的推論を一体化させることが,汎用的な人間的な知性を実現するための重要なステップであることを示唆している。
  論文  参考訳（メタデータ） (2025-11-19T18:59:04Z)
• Reasoning in machine vision: learning to think fast and slow [10.430190333487957]
  推論は人間の知性の目印であり、複雑で不慣れなシナリオで適応的な意思決定を可能にする。 マシンインテリジェンスは、推論時にソリューションを動的に洗練する能力がないため、トレーニングデータに縛られている。 本稿では,思考時間の増加に伴う性能向上を実現することにより,視覚における機械推論を可能にする新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-27T10:03:05Z)
• Enhancing multimodal analogical reasoning with Logic Augmented Generation [1.3654846342364308]
  本稿では,意味知識グラフを通じてテキストの明示的表現を利用する論理拡張生成(LAG)フレームワークを適用する。 本手法では,暗黙的な意味を表す拡張知識グラフを3つ生成し,ドメインに関わらず,ラベルのないマルチモーダルデータを推論する。 その結果、この統合されたアプローチは現在のベースラインを超え、視覚的メタファーを理解する上で人間よりも優れた性能を示し、より説明可能な推論プロセスを可能にした。
  論文  参考訳（メタデータ） (2025-04-15T13:47:55Z)
• Learning to Reason With Relational Abstractions [65.89553417442049]
  関係抽象化の考え方を用いて,言語モデルにおいてより強力な推論能力を構築する方法について検討する。 このようなシーケンスをプロンプトとして提供したモデルでは,タスクの精度が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2022-10-06T00:27:50Z)
• Abstract Reasoning via Logic-guided Generation [65.92805601327649]
  抽象的推論、すなわち、与えられた観測から複雑なパターンを推測することは、人工知能の中心的な構成要素である。 本稿では,後者のアプローチの枠組みを設計し,人工知能と人間の知能のギャップを埋めることを目的とする。 本稿では,提案する論理の最適化問題として,抽象的推論を削減した新しい生成型DNNフレームワークであるLoGeを提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:28:24Z)
• Abstract Spatial-Temporal Reasoning via Probabilistic Abduction and Execution [97.50813120600026]
  時空間推論は人工知能(AI)の課題である 最近の研究は、この種の抽象的推論タスクに焦点を当てている -- Raven's Progressive Matrices (RPM) ニューロシンボリックな確率的アブダクションと実行学習者(PrAE)を提案する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:18Z)

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。