本文旨在以非技术的方式简要概述并表达使用(一阶)逻辑来表示(概率)知识的逻辑和哲学基础。
Jun, 2023
该论文探讨了在概率约束逻辑编程中对数线性模型的研究,并将其应用到一阶概率推理中,介绍了基于标记和未标记的确定性子句确定证明概率的随机逻辑程序概率定义,通过归一化证明概率中原子公式本身的概率,扩展了相关理论,同时通过归纳逻辑编程从数据中归纳出对数线性模型的特征,最后用其他方法对其进行比较。
Jan, 2013
本文提出了一种基于可微分归纳逻辑编程的深度关系强化学习算法,可以从图像中有效地学习关系信息并将环境的状态呈现为一阶逻辑谓词,同时可以将专家背景知识并入学习问题中,展示了该框架在 BoxWorld、GridWorld 以及 Sort-of-CLEVR 数据集等环境中的有效性。
Mar, 2020
本文提出了基于关系逻辑回归(RLR)的学习算法,通过结构学习和参数学习两个步骤,使用加权公式表示条件概率,对多关系数据进行建模。实验结果表明,在 MovieLens 数据集上,RLR 方法相对于标准逻辑回归和 RDN-Boost 方法具有更好的性能。
Jun, 2016
本文介绍一种利用医疗记录自动提取医疗策略的机器学习方法,并针对百科膜肺氧合技术治疗严重心脏或呼吸衰竭的儿童的生理参数进行实验,结果发现该算法的逻辑规则与医学推理一致。
Jan, 2020
本文介绍了一种新颖的框架 Relational Neural Machines,它可以对学习器的参数和基于一阶逻辑的推理器进行联合训练,下面将介绍其在大规模关系任务中的可行性和良好效果。
Feb, 2020
本论文介绍了一种通用的概率相似逻辑框架 (PSL),可用于多关系数据中的相似性推理,它包括概率推理和关系结构的相似性,该框架能够整合任何现有的领域特定的相似性措施,并支持对实体集之间相似性的推理和学习。
Mar, 2012
本文提出了两种优化方法用于针对 PSL 的结构学习,一种是基于贪心搜索的算法,另一种是结合生成子句的数据驱动和针对性能的伪似然性段分段优化(PPLL)目标的算法, 在五个实际任务中的比较表明 PPLL 实现了数量级运行时加速和 AUC 增益高达 15%以上。
Jul, 2018
提出了一种名为 GBPGR 的广义双层概率图推理框架,通过使用统计关系学习启发式地集成了深度学习模型和符号推理,以解决当前人工智能领域中深度学习和符号推理相结合的方法在组合方式、泛化性和可解释性方面的局限性,并通过大量实验证明了该方法在转导和归纳任务中实现了高性能和有效的泛化能力。
Sep, 2023
通过构建一个概率模型,该论文提出了一种新的关系推导框架,提高了在相关数据集上的推导分数;此外,该论文还提供了两个用于帮助未来研究的实用资源:一种改进的判定数据集框架和一个包含 17848 个标记实例的公共数据集,其标记的精度从 53%提高到了 95%。
Jul, 2019