arXiv cs.LGは2026年10月26日(現地時間)、イオアニス・コンスタントゥーラス、イリアナ・ロイ、キリアコス・スガルバスらの研究チームが、深層ニューラルネットワークに記号推論能力を統合する「Native Predicate Neuron (ネイティブ述語ニューロン)」を導入したと発表した。これは、一階論理量子化を通じて標準的なアーキテクチャを強化する、微分可能な論理推論モジュールである。勾配ベースの学習において、訓練中にハードな論理演算を実行しつつ、バックプロパゲーションのための微分可能性を維持する独自のメカニズムを持つ。KerasとPyTorchで利用可能としている。
述語ニューロン (Predicate Neuron) は、単一の訓練可能なパラメータを用いて演算を切り替えることで、リレーショナルロジックをモデル化する。その入力と選択状態の両方を量子化することにより、連続関数と非連続関数の両方を近似し、標準的な深層学習アーキテクチャが苦手とする不連続性の問題を効果的に解決する。
研究チームは、全結合型 (Fully-Connected)、畳み込み型 (Convolutional)、回帰型 (Recurrent)、トランスフォーマー (Transformer) といった多様なアーキテクチャに述語ニューロンを組み込み、MNISTやWikitextなどのベンチマークで評価を実施した。その結果、述語ニューロンの導入が収束の加速、精度の向上、および損失の低減に寄与することが示された。特に、単調推論を必要とするタスクや不連続性を扱うタスクにおいて、顕著な改善が見られたという。
この技術は、標準的なニューラルネットワークにネイティブに統合され、ファジーロジック演算を可能にする。KerasとPyTorchの両方のフレームワークで利用可能であり、深層学習における記号推論能力の向上に寄与することが期待される。
参考: arXiv cs.LG (アーカイブ) — 2026年10月30日 13:00 (JST)
原文ハイライト"Predicate Neuron: Differentiable Quantization of Predicate Relations in Gradient-based Learning"