論文の概要: Soft Ontology Priors over Latent Concept Posteriors for Weakly Supervised Neuro-Symbolic Learning

• arxiv url: http://arxiv.org/abs/2610.30391v1
• Date: Wed, 21 Oct 2026 19:50:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.124058
• Title: Soft Ontology Priors over Latent Concept Posteriors for Weakly Supervised Neuro-Symbolic Learning
• Title（参考訳）: 軟オントロジーの先駆的概念 : 弱めに指導された神経・筋肉の学習
• Abstract要約: タスクラベルのみを監督するニューロシンボリック(NeSy)予測器は、ショートカットの推論に苦しむ。 我々はこの失敗を、潜在概念よりも先にソフトなオントロジーをトレーニング目標に注入することで攻撃する。 独立ベルヌーイ知覚の下では、結果として構成された概念の後続の正規化は、コンパイルされた回路サイズで線形である重み付きモデル数に還元される。
• 参考スコア（独自算出の注目度）: 1.8804797175570478
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuro-symbolic (NeSy) predictors that supervise only the task label suffer from reasoning shortcuts: distinct concept mappings achieve the same maximum likelihood, leaving the recovered concepts unidentifiable and unsafe for downstream reuse. We attack this failure by injecting a soft ontology prior over the latent concepts into the training objective and compiling it together with the task constraint into a smooth, decomposable probabilistic circuit. Under independent Bernoulli perception, the normalisers of the resulting structured concept posterior reduce to weighted model counts that are linear in the compiled circuit size, because the neural leaf weights fold into the circuit before evaluation. The soft compilation strategy places expert axioms in the circuit's weights rather than its support (task-structural axioms guaranteed by the data-generating process stay hard), so noisy expert axioms only redistribute prior mass and cannot empty the support. We characterise how the prior reweights label-restricted shortcut mass through differences in ontology violation energy, show that soft priors incur bounded log-density perturbations under bounded axiom noise, and prove that the hard-support counterpart can be made degenerate by a single corrupted axiom. We validate these predictions on an audited six-concept view of the real-world BDD-OIA driving benchmark and on controlled NeSy tasks.
• Abstract（参考訳）: タスクラベルのみを監督するニューロシンボリック(NeSy)予測器はショートカットの推論に苦しむ。 我々は、潜伏概念に先立ってソフトなオントロジーを訓練対象に注入し、タスク制約と共にスムーズで分解可能な確率回路にコンパイルすることで、この障害を回避した。 独立したベルヌーイ認識の下では、結果として構成された概念の後続の正規化は、神経葉の重みが評価の前に回路に折り畳まれるため、コンパイルされた回路サイズで線形となる重み付きモデル数に還元される。 ソフトコンパイル戦略は、専門家の公理をその支持よりも回路の重みに配置する(データ生成プロセスによって保証されるタスク構造公理は厳しいままである)ため、ノイズの多い専門家公理は事前の質量のみを再分配し、支持を空にすることはできない。 本研究では, 既往の重み付きショートカット質量を, オントロジー違反エネルギーの差による特性評価を行い, 有界公理雑音下での有界対数密度摂動をソフト先行が引き起こすことを示した。 実際のBDD-OIA駆動ベンチマークの6概念ビューと制御されたNeSyタスクに基づいて,これらの予測を検証する。

関連論文リスト

• Predictive Set Theory: A Generative Framework for Cognitive Architecture with Operationalized Core Mechanisms [1.3537117504260623]
  本稿では、認知アーキテクチャを第一原理から再構築する形式的生成フレームワークである予測集合論(PST)を紹介する。 PSTは最小限の操作で認識をアンカーする - アイデンティティ関数、セット理論状態の更新、および3つの基本的な参照チェーンとして形式化されたセンサーである。 神経機構をモデル化するのではなく、PSTは不完全な情報と不可逆的なリスクの下で動作しながら内部の一貫性を維持する必要があるシステムの設計仕様を構成する。
  論文  参考訳（メタデータ） (2026-08-03T15:28:32Z)
• Neural Bayesian Sequential Routing [0.0]
  textbfNeural Bayesian Sequential Routing (NBSR)は、ニューラルネットワークを階層指向非巡回グラフ(DAG)上のアクティブエビデンス蓄積としてモデル化するフレームワークである。 NBSRは、透過的なルーティングトレース、経路依存のエビデンス属性、不確実性を認識した決定制御、リソース-レーショナル推論を提供しながら、競合的な予測性能を達成する。 全体として、NBSRは、解釈可能、モジュール化、リソース限定のエージェントAIのための数学的基盤のフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-22T22:45:56Z)
• Bias Inheritance in Neural-Symbolic Discovery of Constitutive Closures Under Function-Class Mismatch [1.6249267147413524]
  PDE構造を持つ非線形反応拡散系における閉包のデータの駆動的発見について検討する。 物理的制約下で数値的代理を学習し、これらの代理を制限可能な記号族に圧縮し、未知の初期条件で明示的な前方シミュレーションによってシンボル的クロージャを検証する3段階のニューラルネットワーク・シンボリック・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-01T19:39:04Z)
• ECATS: Explainable-by-design concept-based anomaly detection for time series [0.5956301166481089]
  本稿では,概念をSTL(Signal Temporal Logic)公式として表現する概念に基づくニューロシンボリックアーキテクチャであるECATSを提案する。 我々は,局所的な解釈可能性を確保しつつ,優れた分類性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-05-17T08:12:53Z)
• Log-linear Guardedness and its Implications [116.87322784046926]
  線形性を仮定する神経表現から人間の解釈可能な概念を消去する方法は、抽出可能で有用であることが判明した。 この研究は、対数線ガードネスの概念を、敵が表現から直接その概念を予測することができないものとして正式に定義している。 バイナリの場合、ある仮定の下では、下流の対数線形モデルでは消去された概念を復元できないことを示す。
  論文  参考訳（メタデータ） (2022-10-18T17:30:02Z)
• 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)
• Revisiting Initialization of Neural Networks [72.24615341588846]
  ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
  論文  参考訳（メタデータ） (2020-04-20T18:12:56Z)

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。