深度学习在自然语言处理 (NLP) 任务中取得了显著进展,本研究提出了一种神经符号学习方法,将符号主义和连接主义两种人工智能学派相结合,通过强化学习或其弱化版本在下游任务中实现具有符号潜在结构的神经系统的弱监督推理。该框架已成功应用于表格查询推理、句法结构推理、信息抽取推理和规则推理等各种任务。
Sep, 2023
提出了一个融合符号与深度学习方法的推理框架 NeuralLog,通过结合单调性逻辑推理引擎和神经网络语言模型进行短语对齐,并使用 beam search 算法解决 NLI 任务,实验证明该联合推理系统在 NLI 任务上提高了准确性,并可在 SICK 和 MED 数据集上实现最先进的准确性。
May, 2021
通过研究关于 Neuro-Symbolic 人工智能(NeSy)在自然语言处理中的应用,发现将逻辑编译到神经网络中的系统能够实现最佳的 NeSy 目标,呼吁更加系统化的方法和适当的基准测试用于理解该领域的发展。
Feb, 2022
通过在神经序列模型(System 1)中加入逻辑推理模块(System 2),提高模型的逻辑一致性和准确性。实验表明此方法可以提高故事生成和指令执行的一致性和准确性。
Jul, 2021
本论文提出了一种结合神经网络的模式识别能力、符号推理和背景知识来解决类比推理问题的框架,并应用于 RAVEN 的递进矩阵上,取得了与人类表现有竞争力甚至更优秀的结果。
Sep, 2022
提出了一种名为 GBPGR 的广义双层概率图推理框架,通过使用统计关系学习启发式地集成了深度学习模型和符号推理,以解决当前人工智能领域中深度学习和符号推理相结合的方法在组合方式、泛化性和可解释性方面的局限性,并通过大量实验证明了该方法在转导和归纳任务中实现了高性能和有效的泛化能力。
本研究采用最新的深度神经网络训练方法,成功开发出了一种模型,可以学会在基本本体论推理的形式下有效地进行逻辑推理,进而可以应用于许多现实世界中的问题,并且在各项实验中表现出高度准确和生物学上的可行性。
Aug, 2018
本文介绍了如何利用动态神经网络结构和基本逻辑操作,将深度学习和逻辑推理相结合,提出了名为 LINN 的模型,以推理方式解决推荐系统的问题,并在理论和实践任务中都取得了显著的性能提升。
Aug, 2020
提出了改善知识注入过程、将机器学习和逻辑融入多智能体系统的解决方案。
Aug, 2023
本文提出一种将神经网络与逻辑编程相结合的方法,用于解决自然语言处理的多跳推理问题,通过底层表示层面上的结合,使得具有逻辑规则的解释型结果可以应用于自然语言处理领域,同时在两个不同的问题回答任务上达到了竞争水平。
Jun, 2019