IJCAIApr, 2022

利用可微逻辑程序语义学习一阶规则

PDF
TL;DR本研究提出一种名为 DFOL 的新型可微分归纳逻辑编程模型，通过搜索可解释的矩阵来从关系事实中找到正确的一阶逻辑程序，并将符号前向链接格式转换为 NN 约束函数，并采用梯度下降将 NN 的训练参数解码成精确的符号逻辑程序。
differentiable inductive logic programminginterpretable matricesneural networkssymbolic forward-chained formatgradient descent
发现论文，激发创造
  • 通过可微分深度神经逻辑网络进行归纳逻辑编程

    本文提出了一种通过深度递归神经网络解决归纳逻辑编程问题的新模式，其中解决方案基于可微分的向前链推论的实现，在分类任务中得出了较好的性能表现，支持递归和谓词创造等理想特性。

    Jun, 2019

  • 深层归纳逻辑编程与强化学习相遇

    我们提出了一种将可区分的神经逻辑网络应用于关系强化学习领域，以解决动态连续环境中的问题。该模型更新了架构，使其能够在连续强化学习环境中解决问题，并通过引入非线性连续谓词来改进当前的归纳逻辑编程方法，允许关系强化学习代理在动态和连续的环境中进行推理和决策。

    Aug, 2023

  • 知识库推理的可微学习逻辑规则

    研究如何通过神经逻辑编程的框架来学习概率一阶逻辑规则应用于知识库推理，达到了比先前工作更好的效果。

    Feb, 2017

  • 具有逻辑神经网络的神经符号归纳逻辑编程

    采用逻辑神经网络学习归纳逻辑规则，得出高度可解释且具有灵活参数化以适应数据的规则。

    Dec, 2021

  • 可微逻辑机

    该研究提出了一种新型神经逻辑架构，可以解决归纳逻辑编程和深度强化学习问题，其能够提供完全可解释的解决方案并能够在测试阶段得到更好的运行表现。

    Feb, 2021

  • 通过神经逻辑网络学习算法

    提出了一种基于布尔逻辑代数的深度神经网络学习模型，建立了神经逻辑网络模型，可以显式地学习和解释逻辑函数，特别是用于归纳逻辑编程问题的新框架。通过在测试任务上的表现比较，证明了所提供的模型在元素算法任务上的有效性，并且可用于一些基准任务，如有序列表上的排序、十进制加法和乘法。

    Apr, 2019

  • 通过可微归纳逻辑程序设计将关系背景知识纳入强化学习

    本文提出了一种基于可微分归纳逻辑编程的深度关系强化学习算法，可以从图像中有效地学习关系信息并将环境的状态呈现为一阶逻辑谓词，同时可以将专家背景知识并入学习问题中，展示了该框架在 BoxWorld、GridWorld 以及 Sort-of-CLEVR 数据集等环境中的有效性。

    Mar, 2020

  • 结构化样例的可微归纳逻辑编程

    该论文提出了一种可微分实现的逻辑程序学习框架，包括自适应子句搜索、基本命题枚举算法和柔和的程序合成方法，能够学习噪声和结构化的例子，试验表明该框架可以适应复杂的多子句程序。

    Mar, 2021

  • 可微逻辑的逻辑：朝向 DL 统一语义的发展

    本文介绍了一种名为 Differentiable Logics 的方法，它使用神经网络满足逻辑规范。作者提出了一种元语言，称为 Differentiable Logics 的逻辑，它可以定义 Differentiable Logics 中的指标函数。还提出了用于理论分析和实证研究现有 Differentiable Logics 的一般性语言。

    Mar, 2023

  • 神经符号层次规则归纳

    提出一种高效、可解释的神经符号模型来解决归纳逻辑编程问题，并通过实验验证其性能。

    Dec, 2021