从示例到规则：信息提取的神经引导规则合成

Jan, 2022

从示例到规则：信息提取的神经引导规则合成

From Examples to Rules: Neural Guided Rule Synthesis for Information Extraction

Robert Vacareanu, Marco A. Valenzuela-Escarcega, George C. G. Barbosa, Rebecca Sharp, Mihai Surdeanu

TL;DR本文介绍了一项利用程序合成技术在信息提取领域中自动生成规则并取得了与状态 - of-art 相当甚至更好表现的方法。

Abstract

While deep learning approaches to information extraction have had many successes, they can be difficult to augment or maintain as needs shift. rule-based methods, on the other hand, can be more easily modified. H

deep learning rule-based program synthesis transformer-based architecture relation classification

发现论文，激发创造

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

使用神经演绎程序综合从文档图像中进行一次性信息提取

采用两级神经推理方法和预训练深度神经网络，通过逻辑推理来学习实体和关系，生成抽取方案，从而解决发票、帐单、收据等文档图像信息提取的问题。

Jun, 2019

使用语法搜索和示例引导关系抽取器

本文提出了一种用于快速启动训练数据集的过程，利用搜索引擎在句法图上获取正例，我们将此技术应用于 TACRED 和 DocRED 的关系，其结果模型与手动注释数据和远程监督方法所训练的模型相比具有竞争力，并且优于使用 NLG 数据增强技术所训练模型的模型。扩展基于搜索的方法使用 NLG 方法可以进一步提高结果。

Feb, 2021

有限数据下的信息提取迁移学习

本文提出了一种通过使用转移学习的方法，并结合深度神经网络和统计分类器的结合来进行信息提取，将该方法应用于日本政府工程竞标实际案例的文档处理中，证明了该模型能够提取具有详细信息精度的细粒度命名实体。

Mar, 2020

从规则中学习概括标记实例

本文提出了一种规则示例方法来收集人类监督，以结合规则的效率和实例标签的质量，通过潜在的覆盖变量联合去噪规则，通过覆盖和标签变量上的软蕴涵损失训练模型，并将去噪的规则和训练好的模型一起用于推理。实证评估表明，我们的算法比现有的几种方法更精确地学习从混合干净和嘈杂监督中学习，并且耦合的规则示例监督有效去噪规则。

Apr, 2020

前馈神经网络中的规则提取方法：系统性文献综述

通过系统性文献综述，本文着重于规则提取作为神经网络可解释性的手段，发现了二十多年来使用于浅层神经网络的各种规则提取方法，并对深度学习模型提出的挑战进行了探索，为对这一领域感兴趣的研究人员提供了全面的介绍。

Dec, 2023

通过自动化和模型无关的规则提取实现区域可解释性

在可解释人工智能（Explainable AI）中，我们提出了一种模型无关的方法，用于从特定的数据子组中提取规则。该方法通过自动生成数字特征规则，增强了机器学习模型的区域可解释性，并在高维空间中降低了计算成本。在各种数据集和模型的实验中，我们的方法表现出了很好的效果。

Jun, 2024

将深度学习与逻辑融合应用于信息抽取

本文提出了将逻辑知识集成入深度学习系统中的方法来优化信息提取任务，通过逻辑规则，能够结合深度学习的优点来增强模型的泛化性能。

Dec, 2019

利用逻辑规则开发深度神经网络

这篇论文提出了一种深度学习和逻辑规则相结合的通用框架，能够将逻辑规则的结构信息转移至神经网络的权重中，有效地提高了 CNN 和 RNN 的性能，适用于情感分析和命名实体识别等多个领域。

Mar, 2016

使用查询的神经程序合成

本篇研究提出了一个基于查询的框架用于自动生成并交互式提供信息丰富的输入输出样例，其可用于编程合成中的无监督学习以解决缺少先验知识的问题。

May, 2022