Dec, 2021

神经符号层次规则归纳

PDF
TL;DR提出一种高效、可解释的神经符号模型来解决归纳逻辑编程问题，并通过实验验证其性能。
interpretable neuro-symbolic modelinductive logic programmingmeta-ruleshorn clausesgumbel noise
发现论文，激发创造
  • 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

  • 具有逻辑神经网络的神经符号归纳逻辑编程

    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。

    Dec, 2021

  • 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

  • 高维空间中的可微归纳逻辑编程

    介绍了一种利用高维梯度下降和大规模谓词发明来实现基于归纳逻辑编程的合成的方法，该方法获得了超过现有神经符号逻辑编程系统成就的符号解。

    Aug, 2022

  • 使用神经定理证明进行逻辑规则归纳和理论学习

    该论文提出了一种新的逻辑理论获取机制，结合神经符号学方法，使用前向推理不可微分规则感知网络从一组观察到的事实中学习提取一组逻辑规则和一小组核心事实，以推导其它事实，并在多个 ILP 规则归纳和领域理论学习数据集上展示了其有效性。

    Sep, 2018

  • 神经符号专家系统中可解释推理规则的动态生成

    提出一种系统性推理方法，它可以生成基于事实库的人类可解释证明树。新方法使用神经语言建模、引导生成和半参数密集检索来替换手工制定的规则，从而动态实例化可解释推理规则，并在多个事实上得分。经验证的知识证明完全落实在科学 QA 数据集上。

    Sep, 2022

  • 元规则的逻辑简化

    本文研究了归纳逻辑程序（ILP）的元规则，探讨了将元规则的片段逻辑约简到最小有限子集的可行性以及利用 SLD 解析技术来进行约简的新方法，并在三个不同领域的实验中发现，基于 SLD 约简的元规则相较于 Subsumption 和 Entailment 约简具有更好的预测准确性和学习时间。

    Jul, 2019

  • 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

  • 归纳逻辑编程 30 年：新介绍

    介绍了归纳逻辑编程 (ILP) 的基本概念、学习模式、框架和几个主要系统 (Aleph，TILDE，ASPAL，和 Metagol)，并概括了应用、限制和研究方向。

    Aug, 2020

  • 利用可微逻辑程序语义学习一阶规则

    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