arXiv · 18.06.2026 ·Машинное обучение

DeepSWIP: новый подход к контрфактуальному выводу в нейросимвольных системах

Исследователи представили DeepSWIP — метод для реализации контрфактуального мышления в нейросимвольных программах, таких как DeepProbLog. В отличие от стандартных систем, которые опираются на ассоциативные связи, новый подход позволяет моделям анализировать причинно-следственные зависимости, учитывая вмешательства и новые доказательства. Это расширяет возможности нейросимвольных систем, объединяющих нейронное восприятие с вероятностной логикой.

Основная сложность контрфактуального вывода заключается в необходимости моделирования альтернативных сценариев, что требует строгой каузальной семантики. DeepSWIP решает эту задачу через концепцию «одномирового» (single-world) вывода. Метод использует технику нейронной материализации, которая сводит предикаты с фиксированным контекстом к задачам взвешенного модельного счета (Weighted Model Counting). Это позволяет эффективно вычислять вероятности в условиях, когда часть входных данных или условий меняется.

Разработка направлена на повышение интерпретируемости и логической точности ИИ-систем. Возможность задавать вопросы типа «что было бы, если бы...» в рамках нейросимвольных архитектур открывает путь к созданию более надежных моделей для принятия решений в сложных средах, где недостаточно простого распознавания образов. Работа опубликована на платформе arXiv и предлагает новый математический аппарат для интеграции логического вывода в современные нейронные сети.

Источник: arXiv

Похожие материалы

arXiv · Исследования и наука Интерпретация механизмов внимания через синтез программ Исследователи представили новый метод интерпретации нейронных сетей, который позволяет заменить непрозрачные вычисления моделей на понятные человеку символьные описания. В центре внимания оказались механизмы внимания (attention heads) в трансформерах, которые традиционно считаются «черным ящиком» из-за сложности их внутренних операций. arXiv · Машинное обучение NeSyCat Torch: унификация нейросимвольных вычислений Исследователи представили NeSyCat Torch — библиотеку для реализации нейросимвольных систем, объединяющую классические, нечеткие, вероятностные и нейронные подходы к логическому выводу. В основе проекта лежит единое индуктивное определение истины, которое позволяет работать с различными типами логических структур в рамках одного вычислительного графа. arXiv · Исследования и наука Новый подход к формальному доказательству теорем с помощью диффузионных моделей Исследователи представили метод Diffusion-Proof, направленный на преодоление ограничений стандартных авторегрессионных языковых моделей в задачах формальной математики. Традиционные модели, предсказывающие следующий токен, часто сталкиваются с трудностями при построении длинных логических цепочек, необходимых для верификации сложных математических доказательств. Новый подход переносит принципы диффузионных процессов в область формального вывода, позволяя моделям более эффективно исследовать пространство возможных доказательств. arXiv · Исследования и наука DIPHINE: новый метод анализа информационных систем через диффузионные модели Исследователи представили DIPHINE (Diffusion-based Φ-ID Neural Estimator) — новый вычислительный метод для анализа сложных систем. В основе работы лежит фреймворк Φ-ID (Integrated Information Decomposition), который позволяет разделять динамику данных на 16 независимых компонентов. Эти компоненты описывают, как именно информация хранится, распределяется и интегрируется внутри многомерных систем с течением времени. arXiv · Память и RAG RoboPIN: новый подход к визуальному мышлению для ИИ-агентов Исследователи из MIT и других ведущих университетов представили RoboPIN — метод, который улучшает способность ИИ-агентов к визуальному мышлению в физических средах. Текущие модели часто используют текстовые или координатные цепочки мыслей, что приводит к разрыву между визуальными данными и логическим выводом. RoboPIN предлагает решение, фиксируя визуальные объекты в процессе рассуждений, что делает их более точными и последовательными. arXiv · Машинное обучение Large Language Gibbs: новый подход к вероятностному выводу в LLM Исследователи представили метод Large Language Gibbs, направленный на решение проблемы структурированного логического вывода с использованием больших языковых моделей. Основная сложность при работе с LLM заключается в том, что их внутренние знания часто трудно интерпретировать в рамках строгих вероятностных моделей. Новый подход предлагает использовать условные распределения языковой модели в качестве переходов в цепочке Гиббса, что позволяет модели выполнять более точные вычисления при работе с переменными, описывающими сложные системы. arXiv · Машинное обучение Новый подход к моделированию динамических систем через явные структуры Исследователи представили альтернативный подход к обучению динамических систем, который отходит от использования универсальных нелинейных аппроксиматоров. Вместо наращивания сложности нейронных сетей для захвата сложных паттернов, авторы предлагают архитектуру, где моделирующая способность системы определяется её внутренней структурой. Такой метод позволяет эффективнее описывать поведение динамических процессов, опираясь на математически обоснованные взаимодействия, а не на избыточную нелинейность. arXiv · Модели и релизы Новый метод обучения для мультимодального математического мышления Исследователи предложили новый подход к обучению мультимодальных моделей для решения математических задач. В статье на arXiv представлен метод MathVis-Fine, который учитывает сложные зависимости между текстом и изображениями в процессе решения задач. Hacker News · Исследования и наука Next-Latent Prediction: новый подход к обучению компактных моделей мира Исследователи представили метод Next-Latent Prediction (NLP), который меняет подход к обучению трансформеров для моделирования динамических сред. В отличие от традиционных моделей, предсказывающих будущие токены в пространстве пикселей или дискретных состояний, этот метод фокусируется на прогнозировании скрытых представлений (латентных векторов). Такой подход позволяет модели сжимать информацию о визуальных и физических процессах, отсекая избыточные детали и концентрируясь на ключевых закономерностях среды. Hacker News · Безопасность и алайнмент Фреймворк для верифицируемого анализа поведения ИИ Исследователи представили методологию для систематической проверки того, как именно нейросетевые модели приходят к своим выводам. Основная проблема современных систем заключается в их «черном ящике»: даже при правильных ответах процесс рассуждения остается непрозрачным. Новый подход предлагает использовать формализованные планы анализа, которые позволяют декомпозировать сложные задачи на проверяемые этапы.

← Все материалы