論文の概要: Halal-NeSyNet: Clause-Scoped Neuro-Symbolic Cross-Attention for Automated Food Ingredient Auditing and Risk-Aware Halal Logistics Triage
- arxiv url: http://arxiv.org/abs/2611.01612v1
- Date: Sun, 01 Nov 2026 05:56:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 23:36:30.487066
- Title: Halal-NeSyNet: Clause-Scoped Neuro-Symbolic Cross-Attention for Automated Food Ingredient Auditing and Risk-Aware Halal Logistics Triage
- Title（参考訳）: Halal-NeSyNet: 自動食品監査とリスク対応型Halal Logisticsトリアージのためのクローススコープ型ニューロシンボリッククロスアテンション
- Abstract要約: 我々は,3,199項目(Open Food Factsレコード277件,テンプレート生成節スワップアイテム2,922件)と540項目のファクトファクトスイートのベンチマークを構築した。
本稿では16次元規則由来のシンボルベクトルとDistilBERTエンコーダを結合したHalal-NeSyNetを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Verifying that a packaged food is Halal requires reading ingredient declarations and E-number additives before goods enter certified warehouses. Dual-origin additives such as E471, E422, E441 and E920 are Mushbooh (doubtful) unless a botanical, microbial or certified-Halal qualifier appears in the same ingredient clause, so a plant-based qualifier on one clause must not clear an unqualified additive in another. We call a failure to respect this scope cross-clause modifier confounding and build a benchmark of 3,199 items (277 Open Food Facts records and 2,922 template-generated clause-swap items, labelled by an explicit 50-code rule base rather than by a certification authority) with a 540-item counterfactual suite. We propose Halal-NeSyNet, which couples a DistilBERT encoder with a 16-dimensional rule-derived symbolic vector through cross-attention and gated fusion, trained with an asymmetric false-Halal risk loss. Over five seeds, text-only TF-IDF baselines reach 86.25-86.71 % accuracy with 13.42-21.73 % false-Halal leakage and 6.33-26.00 % counterfactual triad consistency, whereas Halal-NeSyNet reaches 97.04+/-0.34 % and 99.67+/-0.50 %. Gradient boosting given the same symbolic vector reaches 96.25+/-1.24 % (+0.59 points from Halal-NeSyNet, 95 % CI [-1.11, +2.28]), so most of the gain comes from clause-scoped symbolic features and not from the network, and the risk loss did not help. Holding out whole template families, text-only models fall to 61.91-78.35 %, Halal-NeSyNet to 90.87+/-11.76 % and logistic regression with the symbolic vector to 91.11+/-2.88 %, with far more spread for Halal-NeSyNet. A three-lane receiving simulation auto-clears 49.33 % of cargo at 0.76 % green-lane contamination. Because labels and features come from one rule engine and 91.3 % of the items are templated, the results measure fidelity to a rule policy, not religious certification.
- Abstract（参考訳）: 包装食品がHalalであることを検証するには、商品が認定倉庫に入る前に、材料宣言とEナンバーの添加物を読む必要がある。
E471、E422、E441、E920のようなデュアルオリジン添加物は、植物学的、微生物的、または認証されたハルル修飾体が同じ成分条項に現れない限り、ムッシュボー(疑わしい)である。
3,199項目(277件のOpen Food Factsレコードと2,922件のテンプレート生成節スワップアイテム)のベンチマークを540項目の反ファクトスイートで作成する。
本研究では,非対称な偽Halalリスク損失をトレーニングしたHalal-NeSyNetを提案する。
5種以上の種子では、テキストのみのTF-IDFベースラインは86.25-86.71%、偽Halalリークは13.42-21.73%、反ファクト三量体一貫性は6.33-26.00%、Halal-NeSyNetは97.04+/-0.34%、99.67+/-0.50%である。
同じシンボリックベクトルが与えられたグラディエントブーピングは96.25+/-1.24 %(Halal-NeSyNet から 95 % CI [-1.11, +2.28] から 96.11+/-1.24 % に達する。
テンプレートファミリ全体を保持すると、テキストのみのモデルは61.91-78.35 %、Halal-NeSyNetは90.87+/-11.76 %、ロジスティック回帰は91.11+/-2.88 %となり、Halal-NeSyNetははるかに普及した。
3車線受信シミュレーションでは、貨物の49.33 %を0.76 %のグリーン車線汚染で自動洗浄する。
ラベルと特徴は1つのルールエンジンから得られ、アイテムの91.3%がテンプレート化されているため、結果は宗教的な認証ではなくルールポリシーに忠実さを計測する。
関連論文リスト
- When Benign Is Unverified: Label-Signal Mismatch and Abstention-First Triage in Graph-Based Memory Forensics [0.0]
Windowsメモリイメージのためのグラフベースのトリアージパイプラインを報告する。
MalVol-25では、透明な規則層は全ての制御における良性ラベルと矛盾する。
私たちはこのルールラベルのラベルと署名のミスマッチを呼んでいます。
論文 参考訳（メタデータ） (2026-10-31T19:54:03Z) - Small agents should know what their tools do [45.88028371034407]
エフェクト型ツールの実行可能な世界であるエフェクトワールドを紹介する。
どのツールでもその効果を宣言します。
このデータで訓練された低ランクは大きな利益をもたらす。
論文 参考訳（メタデータ） (2026-10-26T10:28:14Z) - Looping Is Not Reliability: State-Bound Evidence and Typed Revision Contracts for Agentic Code Repair [36.56438114281786]
正しいパッチの発見と保持、検証、提出のギャップについて検討する。
我々はエビデンスバウンド型ループ契約を導出し、その機械的に強制可能なサブセットを参照実装でインスタンス化する。
論文 参考訳（メタデータ） (2026-07-27T16:05:23Z) - Statistically Supported LLM Ingredient and Recipe Data Collection in Computational Nutrition [1.1470070927586018]
計算栄養は正確な成分データを必要とする。
現在のデータベースは不完全で一貫性がなく、自動推論ではなく人間の参照のために構築されている。
成分データ取得のための品質制御LLMパイプラインを提案する。
論文 参考訳（メタデータ） (2026-07-25T16:19:02Z) - Verifier-Guided Twelve-Tone Composition: A Generate-Verify-Repair Harness for Symbolic Music Generation [37.048771679940984]
本稿では,言語モデルの提案を表現的検証を伴う生成-検証-再生-トレースループでラップするニューロシンボリックハーネスを提案する。
完全なパイプラインは、全体の合法性を主張することなく、イベントローカルの一貫性を改善する。
論文 参考訳（メタデータ） (2026-07-13T09:52:09Z) - Hierarchical Certified Semantic Commitment for Byzantine-Resilient LLM-Agent Collaboration [30.310793549183117]
本稿では,BFTにインスパイアされたプロトコルH-CSC(Hierarchical Certified Semantic Commitment)を紹介する。
H-CSCはBFT対応バケット(0.31から2.04度)に低角偏差でコミットし、意図したようにBFTを超えるラウンド(n3f+1)の100%を中止する。
論文 参考訳（メタデータ） (2026-06-05T14:35:58Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Broken by Default: A Formal Verification Study of Security Vulnerabilities in AI-Generated Code [0.0]
Broken by Defaultは、500のセキュリティクリティカルなプロンプトにまたがる7つの広くデプロイされたLLMによって生成される3500のコードアーティファクトの正式な検証研究である。
すべてのモデル全体で、55.8%のアーティファクトは少なくとも1つのCOBALT識別された脆弱性を含んでいる。
GPT-4oは62.4%(グレードF)、Gemini 2.5 Flashは48.4%(グレードD)である。
論文 参考訳（メタデータ） (2026-04-07T00:55:42Z) - Hierarchy-Guided Topology Latent Flow for Molecular Graph Generation [44.50339042016925]
本稿では,グローバルコンテキストに対する潜在的マルチスケールプランを用いた3次元座標を用いた結合グラフを生成するプランナー・エグゼクタモデルを提案する。
HLTFは98.8%の原子安定性と92.9%の有効・均一性を達成し、PoseBustersの妥当性は94.0%(+0.9)に向上した。
GEOM-DRUGSでは、HLTFは後処理なしで85.5%/85.0%の妥当性/バリッド・ユニク・ノーベル、標準化された緩和後の92.2%/91.2%を達成している。
論文 参考訳（メタデータ） (2026-03-28T03:48:13Z) - HalalBench: A Multilingual OCR Benchmark for Food Packaging Ingredient Extraction [0.0]
既存のベンチマークは文書やテキストをターゲットにしており、曲面、多言語テキスト、サブ8ptフォントといった材料ラベルの独特な課題を欠いている。
食品包装OCRのための最初のオープン多言語ベンチマークであるCOCOを,14言語にまたがる36,438のアノテーションと1,043のイメージ(50のリアル,993の合成)からなる。
クラスタリングアブレーションは、我々の後処理アルゴリズムから36%のF1改善を示している。
論文 参考訳（メタデータ） (2026-02-19T20:19:49Z)
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。