使用自编码逻辑程序学习关系表示

IJCAIMar, 2019

使用自编码逻辑程序学习关系表示

Learning Relational Representations with Auto-encoding Logic Programs

Sebastijan Dumancic, Tias Guns, Wannes Meert, Hendrik Blockeel

TL;DR本研究提出了一种新颖的用于关系表示学习的框架，该框架结合了传统的一阶逻辑和自动编码原理，使用逻辑程序而非神经网络进行原始表示和潜在表示之间的映射，将学习视为约束优化问题，得到的潜在表示在关系学习任务中表现优异，相较于深度学习方法，该框架更为准确、可解释性更强、更具灵活性。

Abstract

Deep learning methods capable of handling relational data have proliferated over the last years. In contrast to traditional relational learning methods that leverage first-order logic for representing such data, these deep learning methods aim at re-representing symbolic relational data in Euclidean spaces. They offer better scalability, but can only numeric

relational representation learning auto-encoding principle logic programs constraint optimisation problem latent representations

发现论文，激发创造

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

DeepLogic: 基于端到端可微分的逻辑推理

探索如何使用基于 RNN 的迭代神经网络将符号逻辑定义为字符级逻辑程序，使其在高维向量空间中学习推理，进一步分析学习推理算法如何产生逻辑程序中的原子、文字和规则表示，并针对谓词和常量符号的长度以及多次跳跃推理的步数进行评估。

May, 2018

统计关系学习和神经符号人工智能：一阶逻辑提供了什么？

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

构建可逆的语义保留逻辑公式嵌入

该研究工作探讨了如何使用基于图变分自编码器 (Graph Variational Autoencoder) 的深度架构来训练学习逻辑嵌入，以实现对逻辑嵌入的反向推理，即将嵌入空间中的逻辑公式反向映射回语法空间，进而提高机器学习中学习逻辑规则和性质的能力。

May, 2023

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

无监督图像为基础的可规划一阶逻辑表示

提出了一种无监督的体系结构来命名一阶逻辑谓词和事实，以便将图像输入编码为符号计划兼容的命题表示，通过试验表明，所得到的谓词捕捉到可解释的关系，有助于获取环境的抽象模型，并且与符号计划兼容。

Feb, 2019

通过可微归纳逻辑程序设计将关系背景知识纳入强化学习

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

升级关系神经网络

本文提出了一种结合关系逻辑表示和神经网络学习的方法，通过关系规则和反映给定训练或测试关系实例结构的深层神经网络的组合实现层次关系建模，从而实现对潜在关系概念的学习，该方法在 78 个关系学习基准测试中表现良好。

Aug, 2015

深度关系学习建模内容与语境

本文介绍 DRaiL，一个开源的声明式框架，用于指定深度关系模型，旨在支持各种自然语言处理场景，并支持与表达性语言编码器的轻松集成，以及研究表示、推理和学习之间的相互作用。

Oct, 2020

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