Sep, 2022

神经符号专家系统中可解释推理规则的动态生成

PDF
TL;DR提出一种系统性推理方法，它可以生成基于事实库的人类可解释证明树。新方法使用神经语言建模、引导生成和半参数密集检索来替换手工制定的规则，从而动态实例化可解释推理规则，并在多个事实上得分。经验证的知识证明完全落实在科学 QA 数据集上。
systematic reasoningproof treesinference engineneural language modelingscientific qa datasets
发现论文，激发创造
  • 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

  • 一种可解释的神经符号推理框架，用于任务导向的对话生成

    本文旨在研究任务驱动对话系统的可解释性，提出了一种采用前后明确逻辑推理的神经符号学方法，并设计了一种由假设生成器和推理器构成的两阶段方法来克服多跳推理带来的错误传播问题，实验结果证明该方法不仅获得了更好的效果，而且具有可解释性决策过程。

    Mar, 2022

  • 使用神经定理证明进行逻辑规则归纳和理论学习

    该论文提出了一种新的逻辑理论获取机制，结合神经符号学方法，使用前向推理不可微分规则感知网络从一组观察到的事实中学习提取一组逻辑规则和一小组核心事实，以推导其它事实，并在多个 ILP 规则归纳和领域理论学习数据集上展示了其有效性。

    Sep, 2018

  • 神经逻辑归纳学习：高效解释技能的学习

    本研究提出了一种名为 “神经逻辑归纳学习” 的可微分归纳逻辑编程框架，通过学习可以解释数据模式的一阶逻辑规则，与现有的方法相比，具有更高的效率和可扩展性。

    Oct, 2019

  • 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

  • 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

  • 学习抽象意义表达式的符号规则用于文本强化学习

    通过结合语义解析器和规则归纳系统，我们提出了一个模块化的 NEuro-Symbolic Textual Agent（NESTA），该模型能够学习抽象可解释的规则作为策略，并在文本游戏基准测试中表现出更好的泛化能力和更少的训练交互。

    Jul, 2023

  • 使用生成的事实作为原子的自然语言推理的逻辑推理

    本研究提出了一种模型无关的逻辑框架，以确定每个输入中负责每个模型决策的特定信息并生成可解释的自然语言推理模型，其性能优于当前最先进的神经模型，适用于高度挑战性的 ANLI 数据集。

    May, 2023

  • 使用自然语言和概率推理进行实验和修订规则

    我们构建了一个计算模型，用于描述人类如何通过实验主动推断隐藏的规则。该模型的基本原则是，即使规则是确定性的，学习者也会考虑到更广泛的模糊概率规则，通过自然语言表示，并根据近似贝叶斯原则在每次实验后在线更新其假设。在同一框架中，我们还根据信息论准则对实验设计进行建模。我们发现这三个原则的结合 - 显式假设、概率规则和在线更新 - 可以解释人类在 Zendo 风格任务中的表现，并且移除其中任何一个组件都将使得模型无法解释数据。

    Feb, 2024

  • 学习可解释规则的可扩展数据表示和分类

    我们提出了一种新的分类器，命名为基于规则的表示学习器（RRL），它能够自动学习用于数据表示和分类的可解释的非模糊规则，并通过连续空间和梯度移植来优化离散模型，同时设计了逻辑激活函数以提高可扩展性和连续特征离散化。与竞争的可解释方法相比，RRL 在小型和大型数据集上有更好的性能，并且可以根据不同场景的需求方便地调整分类准确性和模型复杂性的权衡。

    Oct, 2023