論文の概要: What Makes a Good Symbol for Hybrid Discrete-Continuous Planning?

• arxiv url: http://arxiv.org/abs/2610.23010v1
• Date: Fri, 16 Oct 2026 06:42:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.797314
• Title: What Makes a Good Symbol for Hybrid Discrete-Continuous Planning?
• Title（参考訳）: ハイブリッド離散連続計画におけるよいシンボルとは何か?
• Abstract要約: 有用性を定義するために、推論アルゴリズム中心のビューを取ります。 優れたシンボルは、オリジナルの計画問題の解決を単純化する、離散的なコミットメントを公開するべきです。 シミュレーションおよび実ロボットタスクの実験は、結果として得られるシンボルが、ソリューションの品質を維持しながら解決コストを低減していることを示している。
• 参考スコア（独自算出の注目度）: 27.919973283923344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The physical world has continuous state and action spaces, yet robot planning often benefits from hybrid discrete-continuous formulations that explicitly expose combinatorial structure, such as contact modes or discrete primitive actions. Existing methods typically rely on human-defined symbol sets or symbols derived from language supervision, without asking what makes a symbol computationally useful. In this paper, we take an inference-algorithm--centric view to define usefulness: a good symbol should expose the discrete commitments that simplify solving the original planning problem. We first introduce the concept of solver-sufficient symbolization by studying finite-horizon piecewise-affine systems, for which solver sufficiency can be precisely characterized, and develop a counterexample-guided algorithm for symbol invention. We then extend this principle to invent symbols for optimization objectives parameterized by general neural networks as energy functions, showing that solver-sufficient symbols can nevertheless be induced from their continuous optimization landscapes. Experiments on simulated and real-robot tasks show that the resulting symbols reduce solving cost while preserving solution quality, while also improving interpretability and steerability. Furthermore, our theoretical and algorithmic insights help explain why certain human-defined symbols are computationally useful.
• Abstract（参考訳）: 物理的な世界は連続的な状態と行動空間を持っているが、ロボット計画はしばしば、接触モードや離散的原始的行動のような組合せ構造を明確に露呈するハイブリッドな離散連続的な定式化の恩恵を受ける。 既存の手法は典型的には、人間の定義した記号集合や言語監督から派生した記号に頼っているが、何のために記号を計算的に有用にするかは問わない。 優れたシンボルは、もともとの計画問題の解決を単純化する離散的なコミットメントを公開すべきである。 まず, 有限水平ピースワイドファインシステムを用いて, 解の精度を正確に評価し, シンボル発明のための逆例誘導アルゴリズムを開発した。 次に、この原理を拡張して、一般のニューラルネットワークがエネルギー関数としてパラメータ化した最適化目的のシンボルを発明する。 シミュレーションおよび実ロボットタスクの実験では、結果として得られるシンボルは、解の品質を維持しながら解決コストを低減し、解釈可能性と操縦性も向上している。 さらに、我々の理論的、アルゴリズム的な洞察は、ある人間の定義されたシンボルがなぜ計算的に有用であるかを説明するのに役立ちます。

関連論文リスト

• Exploiting Symbolic Heuristics for the Synthesis of Domain-Specific Temporal Planning Guidance using Reinforcement Learning [51.54559117314768]
  最近の研究は、時間プランナーの性能向上のためのガイダンスの合成に強化学習(Reinforcement Learning, RL)を用いることを検討した。 本稿では,RLと計画段階の両方において,シンボリックスが提供した情報を活用することに焦点を当てた学習計画フレームワークの進化を提案する。
  論文  参考訳（メタデータ） (2025-05-19T17:19:13Z)
• A Scalable Approach to Probabilistic Neuro-Symbolic Robustness Verification [14.558484523699748]
  我々はNeSy確率論的推論システムの堅牢性を正式に検証する問題に対処する。 コア計算の判定版が$mathrmNPmathrmPP$-completeであることを示す。 確率的NeSy系の近似的・緩和的検証のための最初の手法を提案する。
  論文  参考訳（メタデータ） (2025-02-05T15:29:41Z)
• stl2vec: Semantic and Interpretable Vector Representation of Temporal Logic [0.5956301166481089]
  論理式を意味的に基底としたベクトル表現(機能埋め込み)を提案する。 我々はいくつかの望ましい性質を持つ公式の連続的な埋め込みを計算する。 本稿では,学習モデル検査とニューロシンボリック・フレームワークの2つの課題において,アプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-23T10:04:56Z)
• 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)
• Generating by Understanding: Neural Visual Generation with Logical Symbol Groundings [23.85885099230917]
  このような論理積分モデルを構築するために,Abductive Visual Generation (AbdGen) アプローチを提案する。 本手法は, 論理的推論システムと様々なニューラル生成モデルを統合するために応用できることを実験的に示す。
  論文  参考訳（メタデータ） (2023-10-26T15:00:21Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• A Hybrid System for Systematic Generalization in Simple Arithmetic Problems [70.91780996370326]
  本稿では,記号列に対する合成的および体系的推論を必要とする算術的問題を解くことができるハイブリッドシステムを提案する。 提案システムは,最も単純なケースを含むサブセットでのみ訓練された場合においても,ネストした数式を正確に解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-29T18:35:41Z)
• Symbolic Visual Reinforcement Learning: A Scalable Framework with Object-Level Abstraction and Differentiable Expression Search [63.3745291252038]
  DiffSESは、離散的なシンボルポリシーを発見する新しいシンボリック学習手法である。 生のピクセルレベルの入力の代わりにオブジェクトレベルの抽象化を使用することで、DiffSESはシンボリック表現の単純さとスケーラビリティの利点を活用することができる。 我々の実験は、DiffSESが最先端のシンボルRL法よりもシンプルでスケーラブルなシンボリックポリシーを生成することができることを示した。
  論文  参考訳（メタデータ） (2022-12-30T17:50:54Z)
• Neural-Symbolic Solver for Math Word Problems with Auxiliary Tasks [130.70449023574537]
  我々のNS-rは、問題を読み取り、問題をエンコードする問題リーダーと、記号方程式を生成するプログラマと、答えを得るシンボリックエグゼキュータから構成される。 また, 目的表現の監督とともに, 4つの新たな補助的目的によって, 異なる記号的推論を強制的に行うように最適化した。
  論文  参考訳（メタデータ） (2021-07-03T13:14:58Z)

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。