論文の概要: SymAnt: Grounding Long-Horizon Action Anticipation with Adaptable Symbolic Priors

• arxiv url: http://arxiv.org/abs/2610.40632v1
• Date: Thu, 29 Oct 2026 17:58:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 06:17:01.964464
• Title: SymAnt: Grounding Long-Horizon Action Anticipation with Adaptable Symbolic Priors
• Title（参考訳）: SymAnt: 適応型シンボリックプリミティブによる長距離動作予測
• Abstract要約: シーンと知識グラフの構造的推論とニューラルネットワークの表現性を統一する新しいニューラルシンボリックアプローチであるSymAntを紹介する。 短いビデオが与えられたSymAntは、シンボルコンテキストを構築するために、両方のグラフを共同で検索する。 シンボリックな文脈で予測を基礎づけることで、SymAntはパラメータ効率のよい方法で短い観測窓から長い水平動作を予測できる。
• 参考スコア（独自算出の注目度）: 26.567189969462145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As robots and intelligent systems increasingly interact with humans, they must anticipate long sequences of future actions from only brief observations. While purely neural models typically require extensive observations to predict future actions and remain difficult to interpret and adjust, symbolic priors offer a structured alternative. To this end, we introduce SymAnt, a novel neuro-symbolic approach that unifies the expressiveness of neural networks with the structured reasoning of scene and knowledge graphs. Given a short video, SymAnt performs a joint-search over both graphs to construct a symbolic context, enabling unified reasoning over spatial relationships, object attributes, affordances, and associated actions. This symbolic context serves as a prior for an iterative refinement process that progressively generates and improves the sequence of future actions. By grounding predictions in symbolic context, SymAnt anticipates long-horizon actions from short observation windows in a parameter-efficient manner, while enabling users to directly edit the underlying knowledge to adjust predictions without further training. Through our experiments, we demonstrate the effectiveness of SymAnt, particularly when only short observation contexts are available, across five diverse datasets: Breakfast, 50 Salads, EPIC-KITCHENS, EGTEA Gaze+, and Assembly101.
• Abstract（参考訳）: ロボットや知的なシステムが人間とますます交流するにつれて、短い観察だけで将来の行動の長いシーケンスを予測しなければならない。 純粋に神経モデルは通常、将来の行動を予測するために広範な観察を必要とし、解釈と調整が困難であるのに対し、象徴的な先行モデルは構造化された代替手段を提供する。 この目的のためにSymAntを導入する。SymAntは、ニューラルネットワークの表現性をシーンと知識グラフの構造的推論と統合する新しいニューラルシンボリックアプローチである。 短いビデオが与えられた後、SymAntは両方のグラフを共同で探索し、シンボル的コンテキストを構築し、空間的関係、オブジェクト属性、余裕、関連するアクションに対する統一的推論を可能にする。 この象徴的文脈は、将来的な行動の順序を段階的に生成し改善する反復的洗練プロセスの先駆けとして機能する。 シンボリックな文脈で予測を基礎づけることで、SymAntはパラメータ効率のよい短い観測窓から長い水平動作を予測し、ユーザーは基礎となる知識を直接編集して、さらなる訓練をすることなく予測を調整できる。 実験を通じて、SymAntの有効性を実証し、特に、Breakfast, 50 Salads, EPIC-KITCHENS, EGTEA Gaze+, Assembly101の5つの異なるデータセットで、短い観測コンテキストしか利用できない場合について示す。

関連論文リスト

• A Minimal Task Reveals Emergent Path Integration and Object-Location Binding in a Predictive Sequence Model [0.0]
  行動条件付き逐次予測は「世界モデル」を学習するのに十分であることを示す。 我々は、現在の入力とササードのような変位から次のトークンを予測するために、リカレントニューラルネットワークを訓練する。 復号化解析は、トークンアイデンティティの位置への経路統合と動的結合を明らかにする。
  論文  参考訳（メタデータ） (2026-02-03T13:08:27Z)
• Learning Semantic-Geometric Task Graph-Representations from Human Demonstrations [16.68801520494275]
  対象の同一性や対象間の関係を符号化する意味幾何学的タスクグラフ表現と,その時間的幾何学的進化を人間の実演から導入する。 意味幾何学的タスクグラフ表現は、高い動作とオブジェクトの可変性を持つタスクに特に有益であることを示す。
  論文  参考訳（メタデータ） (2026-01-16T17:35:00Z)
• TrendGNN: Towards Understanding of Epidemics, Beliefs, and Behaviors [9.74230427221556]
  エピデミックな結果は、人間の行動や信念と複雑な相互作用を持つ。 介入のメカニズムをよりよく理解し、影響を予測するためには、信念や行動に関連する信号を解釈可能な方法で予測する能力が必要である。 本稿では,まず傾向の類似性に基づいて相互関連信号のグラフを構築し,次にグラフニューラルネットワーク(GNN)を用いて予測を行うグラフベースの予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-29T09:53:59Z)
• Priors in Time: Missing Inductive Biases for Language Model Interpretability [58.07412640266836]
  スパースオートエンコーダは、時間とともに概念の独立を前提としており、定常性を暗示している。 本稿では,時間的帰納バイアスを持つ新たな解釈可能性目標である時間的特徴分析を導入し,その表現を2つの部分に分解する。 私たちの結果は、堅牢な解釈可能性ツールの設計において、データにマッチする帰納的バイアスの必要性を浮き彫りにしています。
  論文  参考訳（メタデータ） (2025-11-03T18:43:48Z)
• FORESCENE: FOREcasting human activity via latent SCENE graphs diffusion [12.960770039147587]
  我々は、オブジェクトと関係の進化を時間とともに予測するSGA(Scene Graph Precipation)フレームワークであるForceCENEを紹介する。 我々のアプローチは、グラフの内容や構造を仮定することなく、相互作用力学の連続的な予測を可能にする。
  論文  参考訳（メタデータ） (2025-03-08T11:56:00Z)
• Learning Socio-Temporal Graphs for Multi-Agent Trajectory Prediction [22.667895324575824]
  本稿では,2対の社会・時間的相互作用を明示的に捉えるために,Socio-Temporal Graph (STG) と呼ぶ指向非巡回グラフ構造を導入する。 軌道予測のためのSTGの構造を学習するためのエンドツーエンドパイプラインを提供するSTGformerというアテンションベースモデルを設計する。 提案手法は,2つの大規模ベンチマークデータセットにおいて,最先端の予測精度を総合的に達成する。
  論文  参考訳（メタデータ） (2023-12-22T01:48:09Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Investigating Pose Representations and Motion Contexts Modeling for 3D Motion Prediction [63.62263239934777]
  歴史的ポーズシーケンスから人間の動きを予測することは、機械が人間と知的な相互作用を成功させるために不可欠である。 本研究では,様々なポーズ表現に関する詳細な研究を行い,その動作予測課題に対する効果に着目した。 AHMR(Attentive Hierarchical Motion Recurrent Network)と呼ばれる新しいRNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-30T10:45:22Z)
• Learning Long-term Visual Dynamics with Region Proposal Interaction Networks [75.06423516419862]
  オブジェクト間およびオブジェクト環境間の相互作用を長距離にわたってキャプチャするオブジェクト表現を構築します。 単純だが効果的なオブジェクト表現のおかげで、我々の手法は先行手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-08-05T17:48:00Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。