从输入输出示例中合成神经组合逻辑电路
提出一种神经网络引导的程序和不变量综合框架,其利用设计和训练神经网络提取出训练神经网络权重和偏置值上的整数逻辑公式,并用于正 / 反例和蕴含约束的公式合成,具有很好的实验结果,并在 ICE-learning-based CHC 求解、程序验证和归纳不变量合成等方面有重要应用。
Mar, 2021
本文提出了一种 Neuro-Symbolic Program Synthesis 技术,通过计算机程序自动构建特定领域的语言。我们通过使用两种新颖的神经模型,交叉相关的 I/O 网络和递归反向递归神经网络,证明了该方法的有效性。
Nov, 2016
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
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
我们提出了一种新的框架,无缝提供神经网络(学习)和符号逻辑(知识和推理)的关键属性,每个神经元都有权重实值逻辑公式的组成部分,得到了高度可解释的分离表示,推理是全向的而不是集中在预定义的目标变量上,对应于逻辑推理,包括经典的一阶逻辑定理证明作为特殊情况。
Jun, 2020
该论文提出了一种基于熵的标准及一种新的端到端可微分的方法,用于从概念神经网络中提取逻辑解释,该方法使用一阶逻辑的形式化定义,并考虑了四个案例研究来证明这种熵基准能够从临床数据到计算机视觉中,在安全关键领域中提取简洁的逻辑解释。
Jun, 2021
本文介绍了一种使用深度学习和强化学习实现程序合成的方法,该方法以非可微分机器为基础,并具有递归和强化学习的特点,能够训练出用于生成计算机程序的上下文无关解析器。该方法可实现测试输入在训练样本长度 500 倍以上时的 100%测试准确率。
Jun, 2017