Dec, 2021

具有逻辑神经网络的神经符号归纳逻辑编程

PDF
TL;DR采用逻辑神经网络学习归纳逻辑规则，得出高度可解释且具有灵活参数化以适应数据的规则。
neuro-symbolicinductive logic programminglogical neural networksfirst-order logicinterpretable rules
发现论文，激发创造
  • 通过神经逻辑网络学习算法

    提出了一种基于布尔逻辑代数的深度神经网络学习模型，建立了神经逻辑网络模型，可以显式地学习和解释逻辑函数，特别是用于归纳逻辑编程问题的新框架。通过在测试任务上的表现比较，证明了所提供的模型在元素算法任务上的有效性，并且可用于一些基准任务，如有序列表上的排序、十进制加法和乘法。

    Apr, 2019

  • 使用逻辑神经网络结合外部知识的强化学习

    本文利用逻辑神经网络（LNNs）定义推理图，通过控制不需要执行的动作来加速强化学习的收敛速度，从外部知识源中实现无模型强化学习，我们的实验结果表明，相较于没有逻辑约束的模型自由强化学习方法，我们的方法收敛速度更快。

    Mar, 2021

  • 从嘈杂数据中学习解释性规则

    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

  • 逻辑神经网络

    我们提出了一种新的框架，无缝提供神经网络（学习）和符号逻辑（知识和推理）的关键属性，每个神经元都有权重实值逻辑公式的组成部分，得到了高度可解释的分离表示，推理是全向的而不是集中在预定义的目标变量上，对应于逻辑推理，包括经典的一阶逻辑定理证明作为特殊情况。

    Jun, 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

  • 利用一阶理论扩展逻辑神经网络

    本研究介绍了如何将一阶理论的相等性和函数符号加入 LNNs 的结构中，以让其更加灵活高效地处理问题。我们还展示了将一阶理论的相等性支持加入 IBM 的 LNN 库中的新功能。

    Jul, 2022

  • 通过可微分深度神经逻辑网络进行归纳逻辑编程

    本文提出了一种通过深度递归神经网络解决归纳逻辑编程问题的新模式，其中解决方案基于可微分的向前链推论的实现，在分类任务中得出了较好的性能表现，支持递归和谓词创造等理想特性。

    Jun, 2019

  • 逻辑张量网络

    本文介绍了一种名为 Logic Tensor Networks（LTN）的神经符号形式和计算模型，支持通过引入一种称为 Real Logic 的可微分一阶逻辑表示语言进行学习和推理，并说明 LTN 提供了一种统一语言来规范和计算多个人工智能任务。

    Dec, 2020

  • 神经逻辑机器

    该论文提出了神经逻辑机（NLM）这种结合神经网络和逻辑编程的神经符号架构用于归纳学习和逻辑推理，在小规模排序等任务上进行训练后，可以推广到大规模任务并在如家庭树和排序等任务中取得了优异表现。

    Apr, 2019

  • 神经逻辑归纳学习：高效解释技能的学习

    本研究提出了一种名为 “神经逻辑归纳学习” 的可微分归纳逻辑编程框架，通过学习可以解释数据模式的一阶逻辑规则，与现有的方法相比，具有更高的效率和可扩展性。

    Oct, 2019