本記事では、知覚に基づく不確実性の下での推論のための神経シンボリックフレームワークを提案します。このフレームワークは、連続した知覚信号と離散的なシンボリック推論をつなぐもので、AIシステムが不確実な状況下で動作するための重要な挑戦を解決します。提案されたアプローチでは、トランスフォーマーベースの知覚前処理とグラフニューラルネットワーク(GNN)を用いた関係推論を組み合わせ、視覚観察から確率的なシンボリック状態を抽出します。また、低い信頼度の際に情報を積極的に収集する不確実性を考慮したシンボリックプランナーを実装しています。このフレームワークは、テーブル上のロボット操作において効果を示し、複数のベンチマークにおいて高い成功率を記録しました。さらに、確率的グラフィカルモデルの分析により、キャリブレーションされた不確実性と計画の収束において定量的な関連性が立証され、理論的保証も実証されています。このフレームワークは汎用性が高く、様々なドメインでの不確実性を考慮した推論に応用可能です。