論文の概要: RuleForge: Inferring and Instantiating Latent Visual Rules as Executable Programs

• arxiv url: http://arxiv.org/abs/2610.38737v1
• Date: Wed, 28 Oct 2026 19:29:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:47:00.500982
• Title: RuleForge: Inferring and Instantiating Latent Visual Rules as Executable Programs
• Title（参考訳）: RuleForge: 実行可能なプログラムとして遅延ビジュアルルールを推論し、実証する
• Abstract要約: 本稿では、制御されたベンチマークであるBongard-Forge100kと、ビジュアルルール理解とルール条件付き実行可能生成を共同で学習するバックボーンに依存しないフレームワークであるStrucForgeを紹介する。 このフレームワークは、ルールに基づくトレーニング、共同理解、シーンプログラムの監督、そして実行基盤の強化学習による改善を通じて進展する。 UniLIPを主要なバックボーンとし、ルールフォワードはベースモデル上での多重選択精度を、なじみのあるルールで20.93ポイント、ホールドアウトルールで28.42ポイント改善する。
• 参考スコア（独自算出の注目度）: 24.437539307560996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual rule reasoning asks whether multimodal models can recover an abstract concept from a few examples. Existing studies either infer rules from visual examples but evaluate only classification or verbalization, or supervise executable generation with rules provided as input. Consequently, the relationship between visual rule understanding and reliable rule instantiation remains insufficiently explored. We present Bongard-Forge100k, a controlled benchmark, together with RuleForge, a backbone-agnostic framework that jointly learns visual rule understanding and rule-conditioned executable generation. The benchmark contains 108,797 problems: 86,000 for training, 19,297 for testing familiar rules, and 3,500 for testing held-out rule compositions. The framework progresses through rule-understanding training, joint understanding and scene-program supervision, and refinement via execution-grounded reinforcement learning with Understanding Replay. Executing generated programs under multiple random seeds provides verifiable feedback on executability, rule satisfaction, diversity, and robustness. With UniLIP as the primary backbone, RuleForge improves multiple-choice accuracy over the base model by 20.93 percentage points on familiar rules and 28.42 percentage points on held-out rule compositions, while increasing scene-level rule satisfaction on familiar rules from 2.91% to 70.99%. Additional experiments on InternVL3.5, Qwen3-VL, and Show-o2 demonstrate the effectiveness of the proposed training data and framework across diverse multimodal architectures.
• Abstract（参考訳）: ビジュアルルール推論は、いくつかの例から抽象概念を復元できるかどうかを問う。 既存の研究は、視覚的な例からルールを推測するが、分類または言語化のみを評価するか、または入力として提供されるルールで実行可能な生成を監督する。 その結果、視覚的ルール理解と信頼性のあるルールインスタンス化の関係はいまだに十分に調査されていない。 本稿では、制御されたベンチマークであるBongard-Forge100kと、ビジュアルルール理解とルール条件付き実行可能生成を共同で学習するバックボーンに依存しないフレームワークであるStrucForgeを紹介する。 ベンチマークには108,797の問題が含まれており、トレーニングは86,000、馴染みのあるルールは19,297、ホールドアウトルールは3,500である。 このフレームワークは、ルールに基づくトレーニング、共同理解、シーンプログラムの監督、そして理解されたリプレイによる実行基盤強化学習を通じて改善される。 複数のランダムシードの下で生成されたプログラムを実行することは、実行可能性、ルール満足度、多様性、堅牢性に対する検証可能なフィードバックを提供する。 主要なバックボーンとしてUniLIPを使用すると、ルールフォジはベースモデル上での多重選択精度を20.93ポイント、ホールドアウトルールの28.42ポイントで改善し、慣れ親しんだルールのシーンレベルのルール満足度は2.91%から70.99%に向上する。 InternVL3.5、Qwen3-VL、Show-o2のさらなる実験により、様々なマルチモーダルアーキテクチャにおけるトレーニングデータとフレームワークの有効性が示された。

関連論文リスト

• Co-adaptive Rule Routing and Constraining for Structured Knowledge Retrieval [66.83192752687921]
  Co-Adaptive Rule Routing and Constraining Retrieval (CoRE) CoREは、クエリルペアを事前に定義せずに、各クエリに割り当てる推論ルールと、そのルールの下でエビデンスを取得する方法を学ぶ。 STaRK-QAデータセットの科学的発見、生物医学的推論、電子商取引知識管理に関する実験。
  論文  参考訳（メタデータ） (2026-10-10T01:45:48Z)
• V-Rubrics: Visual Faithfulness via Rubric-Based Reinforcement Learning [59.47823383593251]
  視覚サンプルモデルでは、視覚的証拠が不十分な流動的な答えを生み出すことができる。 本稿では,参照応答を原子命題に分解するVisuals-Based Reinforcement Learningを紹介する。 我々は,コンポーネントワイド,プレフィックスローカライズされたルーリッククレジットを用いて,同じSFTチェックポイントに基づいてモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-26T09:40:46Z)
• 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)
• Harness-IF: Evaluating Instruction Following Across Instruction Surfaces in Coding Agents [29.96375986740068]
  Harness-IFは、実行証拠から一度に1つの運用ルールをスコアする。 AP-Accは、不正なデフォルトに対してラベル付けされたルールのみをスコアする。
  論文  参考訳（メタデータ） (2026-08-12T07:07:57Z)
• Probabilistic Circuits for Knowledge Graph Completion with Reduced Rule Sets [7.44837042990111]
  知識グラフ補完のためのルールベースの手法は、説明可能な結果を提供するが、しばしば競争性能を達成するために非常に多くのルールを必要とする。 トレーニングデータからルールコンテキスト(意味のあるルールのサブセット)を発見し、これらのルールコンテキスト上で学習された確率分布(確率回路)を用いて、完全なルールセットのパフォーマンスをより早く達成する。 我々のフレームワークは確率論的論理のよく知られたセマンティクスに基づいており、独立性の仮定を必要とせず、抽出可能な推論手順は、与えられたクエリの近似的な下限と正確な確率の両方を提供することを示す。
  論文  参考訳（メタデータ） (2025-08-08T21:17:03Z)
• 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)
• COLO: A Contrastive Learning based Re-ranking Framework for One-Stage Summarization [84.70895015194188]
  コントラスト学習に基づく一段階要約フレームワークであるCOLOを提案する。 COLOはCNN/DailyMailベンチマークの1段階システムの抽出と抽象化結果を44.58と46.33ROUGE-1スコアに引き上げた。
  論文  参考訳（メタデータ） (2022-09-29T06:11:21Z)
• Learning from Rules Generalizing Labeled Exemplars [21.359456842579945]
  多くのアプリケーションでは、ラベル付きデータは簡単には利用できない。 本稿では,ルールの効率と事例ラベルの品質を組み合わせ,人間の監督を収集するルール実証手法を提案する。
  論文  参考訳（メタデータ） (2020-04-13T15:57:54Z)
• 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。