Jun, 2021

pix2rule: 端到端的神经符号规则学习

PDF
TL;DR本文提出了一种完整的神经符号方法，用于以端到端的方式将图像处理为对象，并在学习关系和逻辑规则方面。主要贡献是以可微分层为基础，从而可以通过剪枝和阈值确定符号关系和规则。我们使用两个数据集进行模型评估：符号规则学习的子图同构任务和学习对象，关系和规则的复合关系的图像分类域。结果表明，该模型超越最先进的符号学习者并优于深度关系神经网络架构。
neuro-symbolicvisual processingsymbolic reasoningdeep learningrule learning
发现论文，激发创造
  • 深层符号学习：从感知中发现符号和规则

    本文提出了一种名为 Deep Symbolic Learning（DSL）的神经符号集成系统，它可以同时学习感知和符号函数，并且能够在可微分的神经网络学习管道中创建内部（可解释的）符号表示，以最好的方式解释数据。

    Aug, 2022

  • 最佳的两全之策：一种灵活且具有泛化能力的神经符号方法用于关系分类

    介绍了一种新的神经符号结构用于关系分类，结合了基于规则的方法和现代深度学习技术，通过语义文本匹配增强规则泛化能力，该方法在两个 few-shot 关系分类数据集上的评估中，表明在四个设置中有三个的性能优于之前的最先进模型。

    Mar, 2024

  • 一种新的统计关系学习下的神经符号系统

    提出了一种名为 GBPGR 的广义双层概率图推理框架，通过使用统计关系学习启发式地集成了深度学习模型和符号推理，以解决当前人工智能领域中深度学习和符号推理相结合的方法在组合方式、泛化性和可解释性方面的局限性，并通过大量实验证明了该方法在转导和归纳任务中实现了高性能和有效的泛化能力。

    Sep, 2023

  • 神经符号学习系统中的优化

    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

  • 基于神经符号方法的弱监督推理

    深度学习在自然语言处理 (NLP) 任务中取得了显著进展，本研究提出了一种神经符号学习方法，将符号主义和连接主义两种人工智能学派相结合，通过强化学习或其弱化版本在下游任务中实现具有符号潜在结构的神经系统的弱监督推理。该框架已成功应用于表格查询推理、句法结构推理、信息抽取推理和规则推理等各种任务。

    Sep, 2023

  • 通过神经程序综合学习组合规则

    本研究介绍了一种神经符号模型，使用极少量的样本学习整个规则系统而非直接从输入输出预测结果，并将学习到的规则系统用于控制人类语言等各个领域，取得了较好的成果。

    Mar, 2020

  • 基于神经符号方法的交互指令跟随模型的物体和指令变化鲁棒性改进

    通过提出神经符号化方法，将高级符号特征用作中间表征，来解决自然语言指令和第一视角视觉映射到与 3D 环境中对象进行交互的操作序列时神经网络特征提取对小的改变过于敏感而未能适应测试集中未见过的属性和指令的问题。在 ALFRED 基准测试的子任务评估中，我们的实验结果表明，和端到端的神经模型相比，我们的方法在切换对象、拿起对象和切片对象的成功率等未知环境下的交互任务中显着优于前者 9 点，46 点和 74 点。

    Oct, 2021

  • 从神经表征到符号知识的转变

    通过神经 - 符号过渡性字典学习（TDL）框架，以一种自监督的方式学习数据的过渡性表示，将高维度的视觉输入信息压缩为一组张量作为神经变量，并发现隐含的谓词结构。通过原型聚类学习谓词，并使用扩散模型实现框架，通过合作博弈学习输入的分解，在 3 个抽象组合视觉对象数据集和 3 个神经 / 符号下游任务上进行了广泛实验，展示了学习到的表示能够对视觉输入进行可解释的分解，并且对于现有方法无法实现的下游任务具有平滑适应性。

    Aug, 2023

  • 现实世界分类任务中的神经符号规则学习

    我们提出了一种名为 Neural DNF-EO 的模型来扩展 pix2rule 的神经 DNF 模块以支持多类别和多标签分类任务，并探索模型的可扩展性和可解释性，并且证明我们的模型类似于神经网络，但提供了更好的可解释性。

    Mar, 2023

  • 图结构推理的神经符号人工智能：综述

    这篇论文调查了在图结构上执行神经符号推理任务的广泛方法，并提出了一个新的分类法来比较这些方法，包括基于逻辑推理嵌入方法、施加逻辑约束的嵌入方法和规则学习方法。此外，还提供了一个表格概述这些方法。

    Feb, 2023