分析可微模糊逻辑运算符
本文研究了模糊逻辑推理符号在可微分学习中的应用,发现各种模糊推理符号在这种学习环境中并不适用,提出了一族新的模糊推理符号并证明其优于其他选择,最终实现了半监督学习。
Jun, 2020
本文提出了一种简单而有效的方法,即将有偏差的逻辑损失函数转化为 RILL 方法,以解决神经符号学习中的 Implication Bias 问题,并表明当知识库不完整或标注数据不足时,RILL 方法在与其他方法的比较中表现出更大的改进和更强的健壮性。
Aug, 2022
本文介绍了一种模糊算子的配置方案,用于在对数空间中端到端地完成基础公式的基础工作,并通过梯度下降进行优化,从而优于现有技术的现状,并表明新的修正对于实现这些结果是至关重要的。
Jun, 2023
本研究提出一种名为 DFOL 的新型可微分归纳逻辑编程模型,通过搜索可解释的矩阵来从关系事实中找到正确的一阶逻辑程序,并将符号前向链接格式转换为 NN 约束函数,并采用梯度下降将 NN 的训练参数解码成精确的符号逻辑程序。
Apr, 2022
神经符号 AI 旨在将深度学习与符号 AI 相结合,以减少训练神经网络所需的数据量,提高模型给出答案的可解释性和可解性,并验证经过训练的系统的正确性。我们研究神经符号学习,既有使用符号语言表示的数据,也有背景知识。通过模糊推理、概率推理以及训练神经网络来连接符号和神经组件,以交流这一知识。
Jan, 2024
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
本文介绍了一种名为 Differentiable Logics 的方法,它使用神经网络满足逻辑规范。作者提出了一种元语言,称为 Differentiable Logics 的逻辑,它可以定义 Differentiable Logics 中的指标函数。还提出了用于理论分析和实证研究现有 Differentiable Logics 的一般性语言。
Mar, 2023