贝叶斯遇见蕴含和预测：基于非单调性、部分一致性和预测准确性的常识推理

AAAIDec, 2020

贝叶斯遇见蕴含和预测：基于非单调性、部分一致性和预测准确性的常识推理

Bayes Meets Entailment and Prediction: Commonsense Reasoning with Non-monotonicity, Paraconsistency and Predictive Accuracy

PDF

Hiroyuki Kido, Keishi Okamoto

TL;DR本文提出一种基于生成模型的逻辑推理关系，将真值的概率生成过程化，证明了该模型优于其他推理模型，同时给出了一种性能优越的分类算法。

Abstract

The recent success of bayesian methods in neuroscience and artificial intelligence gives rise to the hypothesis that the brain is a Bayesian machine. Since logic and learning are both practices of the human brain, it leads to another hypothesis that there is a Bayesian interpretation u

bayesian methods logical reasoning machine learning generative model kaggle titanic dataset

发现论文，激发创造

贝叶斯蕴含假设：大脑实现单调和非单调推理的方式

该论文探讨了大脑是贝叶斯机器的假设，给出了一种基于 Bayesian 算法和数据结构的逻辑推理方法，并详细描述了它们的抽象推理属性及优点。

May, 2020

一个简单的逻辑推理和统计学习生成模型

提出了一种基于贝叶斯模型可实现逻辑推理和统计学习的新方法，使得符号推理成为正向和反向过程的结果，并对学习和推理的研究提供了新的视角。

May, 2023

统一逻辑蕴涵和统计估计

本文基于生成模型的思想，采用 Bayesian learning 方法，探究形式逻辑及其数理统计特性，构建了一个统一的形式逻辑和统计推理理论。

Feb, 2022

推理和学习统一描绘的抽象推论

基于神经科学中贝叶斯方法对脑功能的启示，我们提出了一个简单的概率推断理论，用于统一描述推理和学习。我们通过符号逻辑中知识的可满足性模拟数据如何引发符号知识的过程，即抽象过程和选择性无知。我们讨论了推理的逻辑后果关系以及基于实验证据的 MNIST 数据集的经验正确性。

Feb, 2024

从数据中推断抽象的统一符号推理模型

从神经科学的贝叶斯方法论中汲取灵感，我们提供了一种统一的概率模型，用于从数据中进行各种类型的符号推理。我们使用经典后果关系、经验后果关系、最大一致集、最大可能集和最大似然估计来描述它们，该理论为实现类人机智能的推理过程提供了新的见解。

Feb, 2024

具有时间性质的生成逻辑：超越逻辑一致性和统计可能性

该论文提出了一种简单的推理理论，用来从数据中完全推理符号知识。采用贝叶斯方法模拟数据如何导致符号知识，符号知识的概率推理被建模为正向与反向因果推理的过程。该理论应用于机器人本地化问题，研究表明机器人在完全基于数据的情况下，即使传感器出现故障或噪声也可以高效解决问题。

Jan, 2023

智能机器时代的贝叶斯

人工神经网络和贝叶斯推断是互补的建模方法，可用于理解涵盖不同层次的人类认知和训练在专有数据上的大型不透明人工神经网络的行为。

Nov, 2023

基于概率逻辑的常识表征框架：用于建模具有多个前提和变化可能性的推理

本论文研究如何更好地表示常识知识，提出了一种概率逻辑表示方案和一种层次化概念本体论，能够更灵活地表示信念，并在神经符号应用中使用。通过专家注释和群众众包，将这个框架扩展到 PrimeNet 知识库，并展示其在更易解释的语义解析和问题回答中的应用。

Nov, 2022

朝向统一知觉推理和逻辑推理

本文提出了一个简单的概率模型，可应用于感知和逻辑推理，它将两种过程统一起来：一方面是感知和逻辑知识从另一个知识中派生的过程，另一方面是从数据中派生出这种知识的过程，并且在逻辑推理中完全描述了该模型。

Jun, 2022

带关系预测器的神经符号常识推理器

本篇论文提出了一种神经符号推理器，可以处理大规模的动态常识知识图谱，通过学习逻辑规则，提供可解释性的预测，并在 CKGs 的链接预测任务上表现优于现有的技术。

May, 2021