論文の概要: Knowledge transfer between simple discrete worlds

• arxiv url: http://arxiv.org/abs/2610.15081v1
• Date: Sat, 10 Oct 2026 17:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.160204
• Title: Knowledge transfer between simple discrete worlds
• Title（参考訳）: 単純離散世界間の知識伝達
• Abstract要約: 新しい世界に適応し、これまで満たされていなかったルールの下でどの結果ができるかを正しく推論することは、汎用知性の基礎となる基本的な能力である。 グリッド構成の集合は、共有されたルールの集合と整合し、具体的には、共通のベースから構築されたスドゥークのようなパズルと、いくつかの余分なルールである。 新しいパズル、既知のルールの新たな組み合わせ、一度も見られないルールのペアリング、トレーニング中にまったく見られないルールインスタンスです。
• 参考スコア（独自算出の注目度）: 1.167370706056905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adapting to a new world and reasoning correctly about which outcomes are possible under rules one has not met before is a basic capacity underlying general intelligence. We study it in small discrete worlds: sets of grid configurations consistent with a shared set of rules, concretely Sudoku-like puzzles built from a common base and a handful of extra rules. We train a single depth-recurrent model on many combinations of rules and test it at four levels of novelty: a new puzzle, a new combination of known rules, a pairing of rules never seen together, and a rule instance not seen at all during training. The model receives the active rules either as a symbolic description or as two solved examples, and a model that gets no rule information is used as a baseline. At recombining rules it was trained on, the description matches or exceeds examples ($99\%$ against $95\%$ on new combinations). On rule instances whose components never co-occurred in training, the description falls below the no-information baseline while examples stay above it. The framework allows us to test many such generalization regimes in more systematic way than benchmarks such as ARC-AGI and provides new ground for evaluating depth-recurrent reasoning models, which are typically tested on saturated Sudoku benchmarks.
• Abstract（参考訳）: 新しい世界に適応し、これまで満たされていなかったルールの下でどの結果ができるかを正しく推論することは、汎用知性の基礎となる基本的な能力である。 グリッド構成の集合は、共有されたルールの集合と整合し、具体的には、共通のベースから構築されたスドゥークのようなパズルと、いくつかの余分なルールである。 新しいパズル、既知のルールの新たな組み合わせ、一度も見られないルールのペアリング、トレーニング中にまったく見られないルールインスタンスです。 モデルは、シンボル記述または2つの解決された例としてアクティブルールを受け取り、ルール情報を持たないモデルをベースラインとして使用する。 トレーニングされたルールの再結合では、説明文は例(99\%、新しい組み合わせでは9,5\%)と一致するか、超える。 トレーニングにおいてコンポーネントが共起することのないルールインスタンスでは、説明は情報なしのベースラインに該当するが、例はその上に留まる。 このフレームワークは、ARC-AGIのようなベンチマークよりも体系的な方法で多くの一般化規則をテストでき、飽和Sudokuベンチマークで通常テストされる深度関連推論モデルを評価するための新しい基盤を提供する。

関連論文リスト

• Beyond Factual Knowledge: Benchmarking and Learning Step-Level Procedural Rule Reasoning in Large Language Models [33.61747923589224]
  大規模言語モデル(LLM)は、テキストの理解と生成に優れるが、大規模に提供される外部の手続き規則を確実に理解し適用することは困難である。 我々は、ルールをインスタンス固有の事実ではなく、グローバルに再利用可能な抽象単位として再構成する大規模なベンチマークであるルールワールドを紹介した。 我々は、与えられたルールをKVキャッシュに注入し、検索を内部で学習可能なステップワイズプロセスに変換するエンドツーエンドフレームワークDynaRuleを提案する。
  論文  参考訳（メタデータ） (2026-08-24T03:22:45Z)
• Distributed Multi-Layer Editing for Rule-Level Knowledge in Large Language Models [56.355176278601476]
  大規模言語モデルは、孤立した事実だけでなく、記号表現、自然言語の説明、具体例の推論をサポートするルールも格納する。 ほとんどのモデル編集手法は、対象の編集が局所的な介入によって達成できると仮定して、事実レベルの知識のために構築されている。 ルールレベルの知識編集の機械論的研究を通じて,この問題を考察する。
  論文  参考訳（メタデータ） (2026-04-09T14:22:19Z)
• Faithful Differentiable Reasoning with Reshuffled Region-based Embeddings [62.93577376960498]
  知識グラフ埋め込み法は、実体の幾何学的表現と関係を学習し、妥当な不足した知識を予測する。 我々は、より大規模なルールベースを忠実にキャプチャできる制約の順序付けに基づくモデルであるRESHUFFLEを提案する。 フレームワークへのエンティティの埋め込みは、グラフニューラルネットワーク(GNN)によって学習され、事実上差別化可能なルールベースとして機能する。
  論文  参考訳（メタデータ） (2024-06-13T18:37:24Z)
• Probabilistic Truly Unordered Rule Sets [4.169915659794567]
  真に順序のない規則集合に対するTURSを提案する。 我々はルールセットの確率的特性を利用して、類似した確率的出力を持つ場合のみ規則が重複することを許すという直観を生かしている。 我々は,幅広いルールベースの手法に対してベンチマークを行い,モデルの複雑さを低くし,高い競争力のある予測性能を持つルールセットを学習できることを実証した。
  論文  参考訳（メタデータ） (2024-01-18T12:03:19Z)
• Abstracting Concept-Changing Rules for Solving Raven's Progressive Matrix Problems [54.26307134687171]
  Raven's Progressive Matrix (RPM) は、候補者の中から選択することで、機械知能においてそのような能力を実現する古典的なテストである。 近年の研究では、RPMの解法はルールの深い理解を促進することが示唆されている。 本稿では、解釈可能な概念を学習し、潜在空間における概念変更ルールを解析することにより、概念変更ルールABstraction(CRAB)の潜時変数モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-15T07:16:38Z)
• Learning Locally Interpretable Rule Ensemble [2.512827436728378]
  ルールアンサンブルは重み付き規則の線形結合に基づく解釈可能なモデルである。 本稿では,正確かつ解釈可能なルールアンサンブルモデルを学習するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-20T12:06:56Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• Truly Unordered Probabilistic Rule Sets for Multi-class Classification [0.0]
  真に順序のない規則集合に対するTURSを提案する。 まず、真に順序のない規則集合を学習する問題を定式化する。 次に、ルールを慎重に成長させることでルール集合を学習する2相アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-06-17T14:34:35Z)
• Learning Symbolic Rules for Reasoning in Quasi-Natural Language [74.96601852906328]
  我々は,ルールを手作業で構築することなく,自然言語入力で推論できるルールベースシステムを構築した。 本稿では,形式論理文と自然言語文の両方を表現可能な"Quasi-Natural"言語であるMetaQNLを提案する。 提案手法は,複数の推論ベンチマークにおける最先端の精度を実現する。
  論文  参考訳（メタデータ） (2021-11-23T17:49:00Z)
• Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
  本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。 GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。 オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
  論文  参考訳（メタデータ） (2020-03-13T00:32:46Z)

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。