利用背景知識優化神經網絡預測

Jun, 2022

Refining neural network predictions using background knowledge

Alessandro Daniele, Emile van Krieken, Luciano Serafini, Frank van Harmelen

TL;DR本文介绍了一种基于逻辑背景知识和可微化的改进函数的学习方法，以提高神经网络在训练和测试中的预测准确性，其中涉及迭代局部细化算法及应用于 MNIST 加法任务的结果。

Abstract

Recent work has shown logical background knowledge can be used in learning systems to compensate for a lack of labeled training data. Many methods work by creating a loss function that encodes this knowledge. However, often the logic is discarded after training, even if it is still use

logical background knowledge neural network predictions differentiable refinement functions iterative local refinement mnist addition task

发现论文，激发创造

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

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

从嘈杂数据中学习解释性规则

本文介绍 Differentiable Inductive Logic 框架，结合了 Inductive Logic Programming 和神经网络，非常高效地训练模型。该框架不仅支持传统 ILP 系统擅长的任务，而且对于噪声和训练数据中的错误表现出高鲁棒性。此外，它还可以与神经网络相连接以处理模糊非符号域的数据，同时提供超越单独使用神经网络所能达到的数据效率和泛化能力。

Nov, 2017

降低神经符号学习中的启发偏差逻辑损失

本文提出了一种简单而有效的方法，即将有偏差的逻辑损失函数转化为 RILL 方法，以解决神经符号学习中的 Implication Bias 问题，并表明当知识库不完整或标注数据不足时，RILL 方法在与其他方法的比较中表现出更大的改进和更强的健壮性。

Aug, 2022

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

逻辑约束下的深度学习

本文综述了利用逻辑指定的背景知识以获取性能更好、学习数据更少或保证符合背景知识的神经模型的研究，并根据表达背景知识的逻辑语言和实现目标进行分类。

May, 2022

比较可微分逻辑用于学习系统的研究预览

通过将背景知识编码为逻辑约束，用可微分逻辑指导学习过程，创造性地满足约束的机器学习模型进行了比较和评估，并提出了未来工作的开放问题。