本文探讨了 Vector Symbolic Architectures 中稀疏分布式表示下的符号推导,通过实验证明了基于块编码进行变量绑定的方法具有良好的性质,并在认知推理和分类等实际应用中展示了它的价值。
Sep, 2020
本文探讨了机器学习中的物体集中表示问题及旋转特征的一种新的连接机制,利用余弦绑定机制来计算特征之间的对齐并相应地调整权重,从而实现与自我关注和生物神经过程的直接联系,揭示了旋转特征中产生物体集中表示的基本动力学。
Feb, 2024
针对机器学习中的 “绑定问题”,提出了一个概率框架的无监督算法,该算法使用去噪自编码器动态将多个对象的特征绑定在一起,成功地处理了多个目标输入数据。
Nov, 2015
在本文中,我们提出了一个统一的框架来解决神经网络在实现人类水平泛化方面的困难,并认为这种组合方法对于实现人类水平泛化是至关重要的。通过从神经科学和认知心理学的丰富研究中获取灵感,并调查机器学习文献中的相关机制,我们确定了一些归纳偏见的组合,让符号信息处理在神经网络中自然地出现。
Dec, 2020
本研究提出了一种基于 deep learning 的药物分子与蛋白质结合位置的直接预测方法,可应用于快速虚拟筛查或制药工程,与传统方法相比,具有更高的速度和更好的质量,并提出了一种快速的微调模型来解决以往能量最小化所采用的昂贵差分进化策略。
Feb, 2022
Binder 是一种新的基于顺序的表示方法,通过使用二进制向量进行嵌入,具有比其他方法小一个数量级的紧凑嵌入向量,并且使用线性时间复杂度的简单有效的优化方案进行向量学习,具有在表示任务中具有竞争力的准确性,而在传递闭包链接预测任务中,与其他基于顺序的方法相比,Binder 可以仅通过直接边学习概念嵌入。
Apr, 2024
本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询,以处理新型复杂查询,同时提出了一种提高查询效率的方法,并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。
Jun, 2021
本文提出了一种名为 GNN-QE 的神经符号模型,用于回答复杂的一阶逻辑查询,在解决神经方法推理难以解释的问题的同时,取得了较显著的实验成果。
May, 2022
以无监督方式生成离散概念表示的神经概念绑定器介绍了 “概念槽位编码”,通过对象中心块槽位编码的软绑定和基于检索的推理的硬绑定,使得概念检查和外部知识的直接整合更加简便,同时展示了硬绑定机制对性能的不损害,并可无缝集成于神经和符号模块,用于复杂推理任务,如在新引入的 CLEVR-Sudoku 数据集上所验证。
Jun, 2024
提出 Binder,一种基于神经符号方法的框架,采用 GPT-3 Codex 作为输入的语言模型,通过少量标注建立程序,实现对丰富的问题进行回答,取得了在 WikiTableQuestions 和 TabFact 两个数据集上的最先进结果。
Oct, 2022