FALCON: 基于 ALC 本体的神经语义蕴含模型
该文提出了一种元学习框架,通过同时观察图片、阅读描述场景中对象的句子和解释补充句子等多个自然出现的数据流来快速学习新的视觉概念,支持问答等应用,其模型命名为 FALCON,使用方框嵌入空间表示视觉概念,包括颜色和形状,并利用关系推理技术推理出未知视觉概念的最优方框嵌入。
Mar, 2022
本文提出了可微模糊 ALC 作为神经符号表示语言并定义层次化损失和基于规则的损失函数用于符号接地问题的 DF-ALC,其实验结果表明 DF-ALC 可以以无监督的方式改善图像目标检测器的性能,即使在低资源情况下。
Nov, 2022
本文综述了在 RDF (S)、描述逻辑 EL 和 ALC,以及 OWL 2 RL 的支持下,基于神经符号推理的现有文献,讨论了采用的技术、解决的任务以及该领域的其他相关努力。
Aug, 2023
我们提出了一种利用对比概念的自动特征解释(FALCON)的可解释性框架来解释图像表示的特征,通过使用大规模字幕数据集(如 LAION-400m)和预训练的视觉 - 语言模型(如 CLIP),FALCON 对高度活化的裁剪图像进行字幕,并得出一些共享的、人可理解的概念,从而解释目标特征。FALCON 还使用低激活的(反事实的)图像进行对比解释,以消除虚假概念。我们展示了当在组中研究时,比如在最先进的无监督和有监督模型中观察到,少于 20% 的表示空间可以通过单独的特征解释。我们通过 FALCON 展示了在更大的空间中研究的特征更具解释性,并且可以通过高阶计分概念来解释。我们讨论了如何使用提取的概念来解释和调试下游任务中的失败。最后,我们提出了一种通过学习简单的线性变换,将概念从一个(可解释的)表示空间转移到另一个未见的表示空间的技术。
Jul, 2023
本文提出了一种名为 Falcon 的端到端的 3 方协议,用于高效的私有机器学习模型训练和推理,它支持高效网络并且包容批量归一化,有安全性保证,并且比先前的解决方案更快速和更高效。
Apr, 2020
本文介绍了一种使用外部结构化知识库填补科学知识差距的模型,将标准神经模型与知识查找模块相结合,在使用科学知识库和文本先验信息验证子事实后,NSnet 模型在 SciTail 数据集上比基准模型性能提高了 5%。
Aug, 2018
介绍了一个新的逻辑蕴涵的数据集,用于测量模型在逻辑表达式的结构方面捕捉和利用的能力,比较了多个体系结构以及一个新的模型类 PossibleWorldNets,并表明卷积网络在这类问题上呈现了错误的归纳偏差,相对于 LSTM RNNs,树状神经网络由于其增强了利用逻辑语法的能力而优于 LSTM RNNs,而 PossibleWorldNets 优于所有基准。
Feb, 2018
本文提出了一种新的神经模型,使用长短时记忆单元读取两个句子以确定蕴含关系,通过逐词的注意机制对每个单词和短语的蕴含进行推理,该模型在大型蕴含数据集上表现出了更好的性能,并且是第一个在文本蕴含数据集上实现最先进准确度的通用端到端可导系统。
Sep, 2015
本文提出了一种基于范畴论语义学的机器学习方法,使用 CatE 投影生成本体公理图表示,并应用于多种任务,展示了其超越了其他本体嵌入方法的局限性,并在生物医学领域的机器学习任务中优于现有的模型论本体嵌入方法。
May, 2023