論文の概要: Neurosymbolic Learning of Interpretable World Models

• arxiv url: http://arxiv.org/abs/2610.19955v1
• Date: Wed, 14 Oct 2026 10:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.104609
• Title: Neurosymbolic Learning of Interpretable World Models
• Title（参考訳）: 解釈可能な世界モデルのニューロシンボリック学習
• Abstract要約: 世界モデルは、観察から環境のコンパクトな表現を学習することを目的としており、エージェントは将来の状態を予測し、その振る舞いを計画できる。 本稿では,解釈可能な概念表現を学習する,ニューロシンボリックな世界モデルデザインであるCGWM(Concept-Grounded World Models)を紹介する。 我々はこれらの概念を、時間論理で表される明示的で完全な知識を用いて観察から学習し、有効な世界状態とそれらのダイナミクスを管理する時間的関係を規定する。
• 参考スコア（独自算出の注目度）: 45.41465661899317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models aim to learn compact representations of an environment from observations, enabling agents to predict future states and plan their behaviour. However, most existing approaches learn black-box representations, with limited ability to incorporate prior knowledge about the world. We introduce Concept-Grounded World Models (CGWMs), a neurosymbolic world model design that instead learns interpretable concept representations. We learn these concepts from observations using explicit and complete knowledge, expressed in temporal logic, that specifies the valid world states and the temporal relations governing their dynamics. Furthermore, we directly use this knowledge by formulating planning as differentiable reasoning, optimising the agent's actions by gradient ascent to satisfy a goal. We experimentally compare CGWM with a purely neural baseline and a neurosymbolic baseline on two game environments. We find that CGWMs ground concepts much more accurately, even over long horizons, resulting in significantly more robust planning both in and out of distribution.
• Abstract（参考訳）: 世界モデルは、観察から環境のコンパクトな表現を学習することを目的としており、エージェントは将来の状態を予測し、その振る舞いを計画できる。 しかし、既存のほとんどのアプローチはブラックボックス表現を学習し、世界に関する事前知識を組み込む能力は限られている。 本稿では,解釈可能な概念表現を学習する,ニューロシンボリックな世界モデルデザインであるCGWM(Concept-Grounded World Models)を紹介する。 我々はこれらの概念を、時間論理で表される明示的で完全な知識を用いて観察から学習し、有効な世界状態とそれらのダイナミクスを管理する時間的関係を規定する。 さらに,この知識を直接利用して,計画を微分可能な推論として定式化し,目標を満たすための勾配上昇によるエージェントの動作を最適化する。 CGWMを2つのゲーム環境における純粋神経ベースラインとニューロシンボリックベースラインと比較した。 CGWMは、長い地平線上であっても、より正確な概念を基礎として、分布内と外の両方で、より堅牢な計画を立てることが分かる。

関連論文リスト

• Towards Zero-Shot Task Transfer with Neurosymbolic World Models [17.135921836577715]
  最先端のモデルに基づく強化学習手法は、潜在空間における計画による政策改善を可能にするニューラルワールドモデルを学習する。 本稿では,報酬予測が潜在状態全体の構造的,象徴的な構成要素のサブセットにのみ依存する,新しい世界モデルの定式化を提案する。 我々は、これらのニューロシンボリック世界モデルを学ぶことの主な利点と課題について論じ、純粋に神経的手法に対する我々のアプローチの強力な一般化特性を実証する。
  論文  参考訳（メタデータ） (2026-08-18T16:12:40Z)
• Towards Predictive, Aligned, and Scalable Robot Learning [11.830982964522605]
  本稿では、潜在空間における世界ダイナミクスを推論して行動を生成する潜在世界行動モデルであるLumo-2を紹介する。 我々は、潜在世界モデリングとモダリティアライメントについて研究し、スケーリング法則とアウト・オブ・ディストリビューションの一般化におけるそれらの役割を分析した。 その結果,Lumo-2は強い視覚言語モデル(VLA)と世界行動モデル(WAM)のベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-07-13T08:53:34Z)
• GRAIL: Autonomous Concept Grounding for Neuro-Symbolic Reinforcement Learning [36.384912895857674]
  GRAILは環境相互作用を通じて概念を自律的に基礎付けるフレームワークである。 粗末な報酬信号と、未決定環境において一般的な概念的ミスアライメントの両方に対処する。 GRAILはエージェントと手作りのコンセプトを簡易な設定でマッチングし、報酬とハイレベルなゴール完了の間の情報的トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2026-04-18T06:41:59Z)
• The Trinity of Consistency as a Defining Principle for General World Models [106.16462830681452]
  一般世界モデルは、客観的物理法則を学習し、シミュレートし、推論することができる。 本稿では,一般世界モデルに必要な基本的特性を定義するための理論的枠組みを提案する。 我々の研究は、現在のシステムの限界と将来の進歩のためのアーキテクチャ要件の両方を明確にし、一般的な世界モデルへの原則的な経路を確立します。
  論文  参考訳（メタデータ） (2026-02-26T16:15:55Z)
• Concept-Based Mechanistic Interpretability Using Structured Knowledge Graphs [3.429783703166407]
  我々のフレームワークは、内部モデルコンポーネントを通して高レベルのセマンティック属性がどのように出現し、相互作用し、伝播するかを分析することによって、モデル行動のグローバルな分離を可能にします。 重要なイノベーションは、私たちがBAGELと名付けた視覚化プラットフォームです。 私たちのフレームワークはモデルに依存しないスケーラブルで、データセットバイアスの存在下でディープラーニングモデルがどのように一般化(あるいは失敗)するかを深く理解するのに役立ちます。
  論文  参考訳（メタデータ） (2025-07-08T09:30:20Z)
• DreamVLA: A Vision-Language-Action Model Dreamed with Comprehensive World Knowledge [41.030494146004806]
  本稿では,逆動力学モデリングを実現するために,包括的世界知識予測を統合した新しいVLAフレームワークであるDreamVLAを提案する。 DreamVLAは、動的領域誘導の世界知識予測を導入し、空間的および意味的な手がかりと統合し、アクション計画のためのコンパクトで包括的な表現を提供する。 実世界とシミュレーション環境での実験では、ドリームVLAが実際のロボットタスクで76.7%の成功率を達成したことが示されている。
  論文  参考訳（メタデータ） (2025-07-06T16:14:29Z)
• Interpreting Pretrained Language Models via Concept Bottlenecks [55.47515772358389]
  事前訓練された言語モデル(PLM)は、様々な自然言語処理タスクにおいて大きな進歩を遂げてきた。 ブラックボックスの性質による解釈可能性の欠如は、責任ある実装に課題をもたらす。 本研究では,人間にとって理解しやすい高レベルで有意義な概念を用いて,PLMを解釈する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T20:41:18Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
  NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。 シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。 我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)

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。