深层概率逻辑：一种间接监督的统一框架

EMNLPAug, 2018

深层概率逻辑：一种间接监督的统一框架

Deep Probabilistic Logic: A Unifying Framework for Indirect Supervision

Hai Wang, Hoifung Poon

TL;DR本文提出了一种用深度学习和概率逻辑构成的深度概率逻辑（DPL）框架，将标记决策建模为潜变量，并使用变分 EM 学习概率逻辑中的不确定公式权重，从而实现间接监督，通过生物医学机器阅读的实验证明了该方法的可行性。

Abstract

deep learning has emerged as a versatile tool for a wide range of nlp tasks, due to its superior capacity in representation learning. But its applicability is limited by the reliance on annotated examples, which

deep learning indirect supervision probabilistic logic nlp tasks machine reading

发现论文，激发创造

深度概率逻辑编程中的神经概率逻辑编程

DeepProbLog 是一种神经概率逻辑编程语言，通过神经谓词结合深度学习。它支持符号和子符号表示和推断、程序归纳、概率编程和深度学习，并结合了通用神经网络和表达式概率逻辑建模和推理。

Jul, 2019

深度逻辑模型的学习与推理集成

该研究提出了深度逻辑模型理论，并将深度学习与概率逻辑推理相结合，以实现智能代理的发展。实验结果表明，该方法优于其他深度学习和推理方法的限制。

Jan, 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

关系神经机器

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

深度随机逻辑编程：DeepStochLog

介绍了一种名为 DeepStochLog 的新型神经符号学习框架，其利用了一类名为随机确定性子句文法的概率式逻辑程序，其中引入了神经语法规则，可以实现端对端的训练，以实现比神经概率逻辑程序更高效的推理和学习。实验结果表明，DeepStochLog 取得了具有挑战性的神经符号学习任务的最新成果。

Jun, 2021

混合概率逻辑编程：推理和学习

本文研究了概率逻辑编程，扩展了支持离散和连续随机变量，并引入了新的采样算法和混合模型，解决了从带有缺失值和概率背景知识的关系数据中学习 PLP 的问题。

Feb, 2023

基于约束的多任务学习

本研究通过引入多任务学习、约束保持和课程学习等技术改进了 Popper ILP 系统，实验结果表明这些优化手段对于提高系统性能和推广基于逻辑程序的机器学习应用具有重要意义。

Aug, 2022

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

离散 - 连续领域中的神经概率逻辑编程

DeepSeaProbLog 是一种神经概率逻辑编程语言，将深度概率编程技术融入了神经符号人工智能中，支持在逻辑约束下学习和推理离散和连续概率分布。

Mar, 2023

离散 - 连续领域中的声明性概率逻辑编程

研究发现，虽然有已有的可扩展离散随机变量的分布语义和 PLP 语言及标准推理引擎，但是对于混合离散和连续随机变量的声明性语义还不够普及，因此本文提出了混合分布语义和混合 PLP 语言 DC-ProbLog 及其基于知识编译的推理引擎 infinitesimal algebraic likelihood weighting (IALW)，这是第一个基于知识编译的混合概率编程推理算法。

Feb, 2023