从嘈杂数据中学习解释性规则

Nov, 2017

Learning Explanatory Rules from Noisy Data

Richard Evans, Edward Grefenstette

TL;DR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。

Abstract

artificial neural networks are powerful function approximators capable of modelling solutions to a wide variety of problems, both supervised and unsupervised. As their size and expressivity increases, so too does

artificial neural networks function approximators inductive logic programming differentiable inductive logic data efficiency

发现论文，激发创造

具有逻辑神经网络的神经符号归纳逻辑编程

采用逻辑神经网络学习归纳逻辑规则，得出高度可解释且具有灵活参数化以适应数据的规则。

Dec, 2021

神经逻辑归纳学习：高效解释技能的学习

本研究提出了一种名为 “神经逻辑归纳学习” 的可微分归纳逻辑编程框架，通过学习可以解释数据模式的一阶逻辑规则，与现有的方法相比，具有更高的效率和可扩展性。

Oct, 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

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

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

可微逻辑机

该研究提出了一种新型神经逻辑架构，可以解决归纳逻辑编程和深度强化学习问题，其能够提供完全可解释的解决方案并能够在测试阶段得到更好的运行表现。

Feb, 2021

从噪声故障中学习逻辑程序

提出了一种松弛学习法并引入新的 Noisy Popper ILP 系统用于实现，该系统基于 Inductive Logic Programming（ILP）理论，利用松弛策略生成约束条件以避免包含噪声的数据影响回归结果，并在实验中证实，相较于 Popper 系统，Noisy Popper 在噪声数据处理能力上有所提升，但运行效率略有下降。

Dec, 2021

结构化样例的可微归纳逻辑编程

该论文提出了一种可微分实现的逻辑程序学习框架，包括自适应子句搜索、基本命题枚举算法和柔和的程序合成方法，能够学习噪声和结构化的例子，试验表明该框架可以适应复杂的多子句程序。

Mar, 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

基于熵的神经网络逻辑解释

该论文提出了一种基于熵的标准及一种新的端到端可微分的方法，用于从概念神经网络中提取逻辑解释，该方法使用一阶逻辑的形式化定义，并考虑了四个案例研究来证明这种熵基准能够从临床数据到计算机视觉中，在安全关键领域中提取简洁的逻辑解释。

Jun, 2021