利用循环神经网络划定搜索区域的神经定理证明器
本研究提出了一种名为 RNNCTPs 的新型神经符号推理方法,通过重新过滤条件定理证明器的知识选择,增加了计算效率,相对于 CTPs 对嵌入大小参数的敏感度更小,其中关系选择器的训练具有高效和可解释性,四个数据集中表现出与传统方法相当的竞争力,在链接预测任务上具有更高的适用性。
Apr, 2022
本文提出了一种名为 Conditional Theorem Provers(CTPs)的方法,它是 Neural Theorem Provers(NTPs)的扩展,可以通过基于梯度的优化学习出最优规则选择策略以实现可解释性和可扩展性,并且在大规模任务中表现优异。CTPs 在 CLUTRR 数据集上取得了表现最优结果,并在标准基准测试中展现了比其他神经符号模型更好的链接预测结果。
Jul, 2020
本文提出了一种解决人工智能中自然语言和知识库的推理问题的方法,即利用神经定理证明器和共享嵌入空间来实现,该方法被证明的可扩展性更加高效,并取得了较好的预测结果和可解释性。
Dec, 2019
本论文致力于将符号逻辑推理的多步骤推理与神经网络的概括功能相结合。在文本和大型知识库中对实体和关系进行复杂推理。提出了三种重要的建模方法:(1)学习联合推理关系(2)使用神经注意力建模多个路径(3)学习在单个 RNN 中共享强度,使用我们的方法在实验任务中实现了 25%的错误率降低,推理中的错误率降低了 84%。
Jul, 2016
利用深度学习技术来辅助自动的定理证明,通过对 Mizar 库的证明进行数据训练和选择处理,改进 ATP 的证明搜索引导,从而大幅度减少证明搜索的步骤和提高定理的证明率。
Jan, 2017
本文提出了一种新的架构 —— 神经单元器,并提出了相应的训练过程,实现了最先进的推理结果,通过模拟一种众所周知的推理过程 —— 向后链接,即使模型只在浅层次的数据上进行训练,也能回答深度问题,并通过使用各种基准数据集进行实验。
Sep, 2021
本文提出了一种基于自然语言句子来生成图神经网络参数的方法(GP-GNNs),使 GNN 能够处理非结构化文本输入的关系推理,验证了在文本关系抽取中的有效性,并展示了我们的模型通过多跳关系推理可以发现更准确的关系。
Feb, 2019
本文提出了一种基于神经网络和不同 iable proving 技术的知识库查询方法,通过将符号的向量表示进行不同 iable 计算来替代符号集合,从而在神经网络中结合了符号推理和学习。此结构能训练出神经网络,以便推理出给定不完整知识库中的事实,并使用提供的和引导的逻辑规则进行多跳推理。该结构在多项基准知识库测试中表现出色,并诱导解释性函数无关的一阶逻辑规则。
May, 2017