Apr, 2022

RNNCTPs：一种使用动态知识分区技术的神经符号推理方法

PDF
TL;DR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。
neural symbolic reasoning methodrnnctpsknowledge graph link predictionconditional theorem proverscomputational efficiency
发现论文，激发创造
  • 利用循环神经网络划定搜索区域的神经定理证明器

    该研究提出了一种基于广义 EM 方法的 RNNNTP 方法，通过将其分为关系生成器和预测器，训练出同时具有高效性和可解释性的模型，实现了知识图谱的链接预测任务，并在性能上表现出与传统方法和当前强竞争方法相当的结果。

    Mar, 2022

  • 端到端可导证明中学习推理策略

    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

  • 带关系预测器的神经符号常识推理器

    本篇论文提出了一种神经符号推理器，可以处理大规模的动态常识知识图谱，通过学习逻辑规则，提供可解释性的预测，并在 CKGs 的链接预测任务上表现优于现有的技术。

    May, 2021

  • 大规模知识库和自然语言上的可微推理

    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

  • 面向大规模神经定理证明

    提出了一种新型的神经定理证明器，通过仅考虑最高证明分数相关的证明路径，可以在以前无法应用的知识库上进行推理和学习。

    Jul, 2018

  • 使用递归神经网络对实体、关系和文本进行推理链

    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

  • 基于 BTPK 的学习：一种可解释的命名实体识别方法

    本文提出了一种基于二叉树模型的可解释的 NER 学习方法，并通过反事实验证模块验证了其合理性和准确性。通过实验，在三个公共数据集上证明了该方法的优越性，尤其是在小规模简单数据和相对较大复杂数据上。此外，基于 BTPK 的逻辑推理显示出 Bi-RNNs 如何处理 NER 任务。

    Jan, 2022

  • 知识图谱中基于拓扑感知的关系间归纳连接预测相关性

    该论文提出了一种新的归纳推理方法 TACT，可以有效地利用关系之间的拓扑感知相关性，以预测缺失的链接，相比现有的方法，表现得更好。

    Mar, 2021

  • 伟大的真理总是简单的：一种相当简单的知识编码器，用于增强预训练模型的常识推理能力

    本文研究了如何通过增强预训练语言模型的知识感知图神经网络编码器来解决复杂的常识推理任务，并发现这种方法中的关系特征是主要的贡献因素。通过基于统计关系路径获取的特征设计一个简单的 MLP-based 知识编码器，不仅提高了 PTMs 的性能，而且还大大减少了编码 CSKGs 的参数。

    May, 2022

  • RNNLogic：学习知识图谱推理逻辑规则

    本文提出了一种基于概率模型的 RNNLogic，并采用 EM 算法和后验推断方法，实现了在知识图谱推理中，学习逻辑规则的高效优化

    Oct, 2020