神经 NID 规则
本文介绍了一种名为神经关系推断(NRI)模型的非监督学习算法,该模型可以在学习动态过程的同时推断系统组成部分之间的相互作用,通过真实场景的一系列实验表明该模型可以准确地预测从运动捕捉和运动追踪数据中推断出的社交网络组成部分之间的关系和运动的复杂动态。
Feb, 2018
该研究论文提出了一种能够通过基于坐标的子网络来构建神经隐式词典 (NID) 并代表内在神经表征的框架,通过优化结果能够更快地重建 2D/3D 图像并解决遮挡问题。
Jul, 2022
本文提出了一种名为影响网络图的紧凑、自然和高度表现力推理语言,用于推理代理人的信念和决策过程,通过实例展示 NIDs 可以用于描述冲突和循环信念结构以及某些形式的有限理性。
Jan, 2014
该研究采用带有结构先验知识的图神经网络,提出了高效的信息传递机制来共同学习动态关系和规则,并且在模拟物理系统上的实验结果表明,所提出的方法优于现有的最先进方法。
Jan, 2021
本文介绍了交互网络模型,它能够推断复杂系统中物体之间相互作用的方式,支持对系统动态预测,以及对系统抽象属性的推理。该模型使用深度神经网络进行对象和关系居中的推理,并可以推理多种具有挑战性的物理领域。 报告结果表明,它能够训练准确地模拟数十个对象在数千个时间步骤上的物理轨迹,估计能量等抽象量,自动推广到具有不同数量和配置的对象和关系的系统中。 该交互网络的实现是第一个通用的,可学习的物理引擎,是处理各种复杂真实世界领域中物体和关系的强大的通用框架。
Dec, 2016
本文介绍了一种新的 Relational neural networks 模型,通过在关系逻辑回归中加入隐藏层,从而同时考虑了物体和关系,使用遍历学习算法进行模型训练,并证明了 RelNNs 是一种有效的关系学习模型。
Dec, 2017
本文引入的关系网络(RNs)- 一种通用的神经网络架构,可用于从场景描述数据中学习对象关系,并从变分自编码器提供的场景图像的分布式深度表示中分离出错综场景描述输入的对象。
Feb, 2017
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。
Jun, 2021
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
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