World2Rules：航空における「世界を統べる」安全ルールを学習するための神経記号フレームワーク

要旨: 多くの現実世界の安全性が重要なシステムは、危険な世界状態を定義し、エージェントの相互作用を制約する明示的なルールによって支配されています。実際には、これらのルールは複雑で状況に依存するため、手作業での仕様化は不完全になりがちで、誤りを招きやすくなります。現実世界のマルチモーダルデータからこのようなルールを学習することは、さらにノイズ、不整合、そしてまれな失敗事例によって難しくなります。ニューラルモデルはテキストと視覚データから構造を抽出できますが、形式的な保証は欠けています。一方、記号的手法は検証可能性を提供しますが、不完全な観測にそのまま適用すると脆くなります。私たちは、現実世界のマルチモーダルな航空データから世界を支配する安全ルールを学習するための、ニューラル・シンボリック（neuro-symbolic）フレームワークであるWorld2Rulesを提案します。World2Rulesは、名目上の運用データと、航空の墜落・インシデント報告の両方から学習し、ニューラルモデルを候補となる記号的事実の提案メカニズムとして扱い、帰納論理プログラミングを検証層として用います。このフレームワークは階層的な反省的推論（hierarchical reflective reasoning）を採用し、例、部分集合、ルールにわたって整合性を強制することで、信頼できない証拠をふるいにかけ、相互に整合する構成要素のみを集約し、裏付けのない仮説を刈り込みます。この設計により、ノイズのあるニューラル抽出からの誤りの伝播が抑えられ、危険な世界状態を特徴づける、コンパクトで解釈可能な一階論理ルールが得られます。私たちは現実世界の航空安全データでWorld2Rulesを評価し、純粋にニューラルな手法よりもF1スコアが23.6%高く、単一パスのニューラル・シンボリック基線よりもF1スコアが43.2%高いルールを学習できることを示します。そのうえで、安全性が重要な推論や形式的解析にも適したままです。