Aug, 2022

超越近似：通过可微组合求解器对编码约束进行可解释的多跳推理

PDF
TL;DRDiff-Comb Explainer 揭示了现有的不可区分的解算器、转换器和现有的不可区分的约束多跳推理框架中的精度和可解释性改进，是一种基于 Differentiable BlackBox Combinatorial solvers (DBCS) 的神经符号结构。
integer linear programmingmulti-hop inferencetransformersneuro-symbolic integrationdifferentiable solvers
发现论文，激发创造
  • 基于解释的自然语言推理的可微整数线性规划求解器

    提出了一种名为 Diff-Comb Explainer 的新方法，它是一种基于可微的黑匣子组合求解器 (DBCS) 的神经符号体系结构，用于基于解释的自然语言推理 (NLI)，通过直接、更精确和高效地将神经表示纳入 ILP 公式中，显著提高了构建解释的精度，一致性和忠实度，在复杂领域为可解释和透明的 NLI 研究提供了新的机会。

    Apr, 2024

  • 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

  • 结合概念分析和 ILP 的 DNN 表达式解释

    该论文研究了如何利用深度学习神经网络中学习到的内在特征，利用概念分析方法和归纳逻辑编程理论，构建基于符号的模型，实现黑盒机器学习的可解释性，体现其透明度和可靠性的要求。

    May, 2021

  • 高维空间中的可微归纳逻辑编程

    介绍了一种利用高维梯度下降和大规模谓词发明来实现基于归纳逻辑编程的合成的方法，该方法获得了超过现有神经符号逻辑编程系统成就的符号解。

    Aug, 2022

  • 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

  • 基于神经符号学和 ILP 增强的 DBN 的 EDA 优化

    本文研究通过深度置信网络 (DBN) 和归纳逻辑编程 (ILP) 的新型组合来使用估计分布 (EDA) 方法解决离散优化问题。我们的神经符号 EDA 引擎使用 ILP 引擎构建具有站在领域背景知识相好的解决方案的模型，并将这些规则作为布尔特征引入用于基于 EDA 的优化时的 DBNs 的最后一个隐藏层中。我们的实验表明，我们的方法可行，并且相比未使用 ILP 功能的 DBNs，使用 ILP-assisted DBN 生成的样本都更有可能是良好的解决方案，从而增加了解算法收敛时得到最优解的可能性。

    Dec, 2016

  • 利用可微逻辑程序语义学习一阶规则

    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。

    Apr, 2022

  • 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

  • 黑盒组合求解器的区分

    本文介绍一种将组合优化算法和深度学习相结合的方法，利用神经网络中的组合构建块来解决原始输入数据中的组合问题，如机器人中的路线规划和多目标跟踪中的全局一致性保证。作者将 Gurobi MIP 求解器、Blossom V 算法和 Dijkstra 算法引入到结构中，实现了高效的反向传递，为旅行商问题，最小成本完美匹配问题和最短路径问题提供了特征提取方案。

    Dec, 2019

  • 符号化模仿学习：从黑盒到可解释的驾驶策略

    当前的模仿学习方法在实现高效的驾驶策略从真实世界数据中获益，但在可解释性和泛化性方面存在显著限制。本文通过引入符号模仿学习（SIL）来解决这些限制，它利用归纳逻辑编程（ILP）来学习透明、可解释和泛化的驾驶策略。使用 real-world highD 数据集，我们对 SIL 方法进行了严格的比较分析，结果表明 SIL 不仅提高了驾驶策略的可解释性，而且在各种驾驶情况下显著提高了它们的适用性。因此，本研究为更可靠和更安全的自动驾驶系统提供了一条新途径，强调了将 ILP 整合到 IL 领域的潜力。

    Sep, 2023