本文描述了一种名为 Braid 的新型逻辑推理引擎,支持概率规则,使用自定义统一函数和动态规则生成来克服传统推理器中普遍存在的易碎匹配和知识缺口问题。该引擎在分布式任务框架中实现了推理算法,通过构建问题的证明 / 解释图来实现,可实现与最新技术相当的结果,并提供基于帧的解释。
Nov, 2020
通过对随机神经网络的分析,研究权重初始化随机、网络演化的贝叶斯理解、神经网络架构的随机线性表达与簇的数量相等及其对噪声训练数据的影响。
Nov, 2018
本文介绍了一种使用几何深度学习将结绳数据映射到图形并利用图神经网络进行多个结绳不变量的预测的新方法,并证明了该方法具有很高的泛化能力。
May, 2023
使用机器学习算法对辫子(或扁辫子)进行分类,将其划分为平凡或非平凡。我们采用了基于神经网络的监督学习方法(多层感知器),当分类结果良好时,我们能将其结构解释为数学猜想,并将这些猜想证明为定理。因此,我们找到了辫子的新的便利不变量,包括扁辫子的完全不变量。
Jul, 2023
考虑多边形结扣问题的 NP 和 PSPACE 问题,使用 W. Haken 的正常表面和决策程序给出了求解这些问题的确定性算法。
Jul, 1998
使用 ReLU 激活函数和 Free Knot Splines 等传统方法进行浅层神经网络的一维函数逼近问题的研究,通过优化 ReLU NN 的训练程序,结合等分布原理提供了一种可靠的方法来获得准确的 ReLU NN 逼近目标函数的结果。
Jul, 2024
利用偏知识控制多量子位纠缠是量子交互动力学领域中的一个未经探索的范式,本论文采用一种深度强化学习方法构建任意 4、5 和 6 量子位状态的简化量子解分路,证明了该方法能够识别和利用多量子位态的纠缠结构,为真实量子计算应用提供了潜力。
Jun, 2024
使用神经网络分析分数级别的 Chern-Simons 理论,得出适用于评估节点的 Jones 多项式的单一公式,并对该公式进行评估以评估其准确性和错误率。
Dec, 2020
提出了一种新型的神经定理证明器,通过仅考虑最高证明分数相关的证明路径,可以在以前无法应用的知识库上进行推理和学习。
Jul, 2018
本文提出一种框架用于将不同的网络表示方法统一化,研究它们的有效性,经过一系列的实证研究表明,并没有一个单一的方法是最好的,选择一个适合的方法取决于嵌入方法的某些属性、任务和底层图的结构属性。
Mar, 2019