NIPSDec, 2016

基于神经符号学和 ILP 增强的 DBN 的 EDA 优化

PDF
TL;DR本文研究通过深度置信网络 (DBN) 和归纳逻辑编程 (ILP) 的新型组合来使用估计分布 (EDA) 方法解决离散优化问题。我们的神经符号 EDA 引擎使用 ILP 引擎构建具有站在领域背景知识相好的解决方案的模型，并将这些规则作为布尔特征引入用于基于 EDA 的优化时的 DBNs 的最后一个隐藏层中。我们的实验表明，我们的方法可行，并且相比未使用 ILP 功能的 DBNs，使用 ILP-assisted DBN 生成的样本都更有可能是良好的解决方案，从而增加了解算法收敛时得到最优解的可能性。
estimation of distributiondeep belief networksinductive logic programmingoptimizationdomain-based background knowledge
发现论文，激发创造
  • 通过可微分深度神经逻辑网络进行归纳逻辑编程

    本文提出了一种通过深度递归神经网络解决归纳逻辑编程问题的新模式，其中解决方案基于可微分的向前链推论的实现，在分类任务中得出了较好的性能表现，支持递归和谓词创造等理想特性。

    Jun, 2019

  • 深层归纳逻辑编程与强化学习相遇

    我们提出了一种将可区分的神经逻辑网络应用于关系强化学习领域，以解决动态连续环境中的问题。该模型更新了架构，使其能够在连续强化学习环境中解决问题，并通过引入非线性连续谓词来改进当前的归纳逻辑编程方法，允许关系强化学习代理在动态和连续的环境中进行推理和决策。

    Aug, 2023

  • 从嘈杂数据中学习解释性规则

    本文介绍 Differentiable Inductive Logic 框架，结合了 Inductive Logic Programming 和神经网络，非常高效地训练模型。该框架不仅支持传统 ILP 系统擅长的任务，而且对于噪声和训练数据中的错误表现出高鲁棒性。此外，它还可以与神经网络相连接以处理模糊非符号域的数据，同时提供超越单独使用神经网络所能达到的数据效率和泛化能力。

    Nov, 2017

  • 神经符号层次规则归纳

    提出一种高效、可解释的神经符号模型来解决归纳逻辑编程问题，并通过实验验证其性能。

    Dec, 2021

  • 通过神经逻辑网络学习算法

    提出了一种基于布尔逻辑代数的深度神经网络学习模型，建立了神经逻辑网络模型，可以显式地学习和解释逻辑函数，特别是用于归纳逻辑编程问题的新框架。通过在测试任务上的表现比较，证明了所提供的模型在元素算法任务上的有效性，并且可用于一些基准任务，如有序列表上的排序、十进制加法和乘法。

    Apr, 2019

  • 将符号领域知识融入图神经网络

    研究证明，通过对图形结构数据进行了解和拓展，结构化数据分析可以被大大提高。Inductive Logic Programming (ILP) 和 Graph-Based Neural Networks (GNNs) 成为图形结构数据分析上的两个主流，新兴的 Vertex-Enriched Graph Neural Networks (VEGNNs) 又进一步提高了分类性能并能够提前学习到有关联的顶点边的信息，因此在结构化数据分析中加入领域知识的时候可以考虑使用。

    Oct, 2020

  • 超越近似：通过可微组合求解器对编码约束进行可解释的多跳推理

    Diff-Comb Explainer 揭示了现有的不可区分的解算器、转换器和现有的不可区分的约束多跳推理框架中的精度和可解释性改进，是一种基于 Differentiable BlackBox Combinatorial solvers (DBCS) 的神经符号结构。

    Aug, 2022

  • 结合概念分析和 ILP 的 DNN 表达式解释

    该论文研究了如何利用深度学习神经网络中学习到的内在特征，利用概念分析方法和归纳逻辑编程理论，构建基于符号的模型，实现黑盒机器学习的可解释性，体现其透明度和可靠性的要求。

    May, 2021

  • 高维空间中的可微归纳逻辑编程

    介绍了一种利用高维梯度下降和大规模谓词发明来实现基于归纳逻辑编程的合成的方法，该方法获得了超过现有神经符号逻辑编程系统成就的符号解。

    Aug, 2022

  • 基于整数规划的贝叶斯网络学习的进展

    本研究通过整数规划方案和贪心算法等方法，从离散数据中学习 Bayesian 网络，在实验结果中取得了和之前相比有着巨大的改进。

    Sep, 2013