Jan, 2023

NeSIG: 一种神经符号方法用于学习生成规划问题

PDF
TL;DR本文提出了一种名为 NeSIG 的新的领域无关方法，用于自动生成符合条件的、多样的、难以解决的规划问题，将问题生成视为马尔可夫决策过程，并用深层强化学习来训练两个生成策略，实验在几种经典领域进行，结果表明 NeSIG 能够自动生成更难以解决且多样的有效问题。
automated planningmachine learningmarkov decision processdeep reinforcement learningproblem generation
发现论文，激发创造
  • SAGE: 深度强化学习中为近视模型生成符号化目标

    本文提出新的算法 SAGE，结合符号性规划与神经网络学习等方法，以克服传统模型的局限，更高效地解决基于模型的强化学习在处理部分了解环境时遇到的问题。该算法在出租车环境和 Minecraft 等变化场景中的表现优于其他方法。

    Mar, 2022

  • 从原始数据学习答集程序的神经符号学习

    本文介绍了一种名为 NSIL 的神经符号归纳学习方法，通过训练一个通用神经网络，从原始数据中提取潜在的概念，同时学习映射潜在概念与目标标签的符号知识，从而解决复杂决策问题。我们在三个不同复杂度的问题领域上评估了 NSIL，包括 NP 完全问题。结果表明，NSIL 学习到了表达丰富的符号知识，能够解决计算复杂的问题，并在准确性和数据效率方面取得了最先进的性能。

    May, 2022

  • 自动生成建筑方案设计的零射频序列神经符号推理

    该研究介绍了一种新型的自动生成建筑原理图设计的自动化系统，旨在简化多户型房地产开发项目初期的复杂决策过程。利用生成式人工智能（神经推理）和数学程序求解器（符号推理）的综合优势，该方法解决了建筑原理图设计中依赖专家知识和技术挑战的问题，通过模拟从初步概念到详细布局的传统建筑设计过程提出了一种新颖的顺序神经符号推理方法。通过与真实世界建筑的比较研究，验证了我们的方法的有效性。我们的方法能够根据对社区的理解生成各种建筑设计，展示了其改变建筑原理图设计领域的潜力。

    Jan, 2024

  • 视觉编程的神经任务合成

    使用神经符号技术 NeurTaskSyn, 可以为给定的编程要求自动综合编程任务，可提高编程教育的质量。

    May, 2023

  • 通过多跳指令进行图像操作 -- 新数据集和弱监督的神经符号化方法

    本篇研究提出一种名为 NeuroSIM 的系统，使用基于领域特定语言 (DSL) 的符号程序将自然语言文本转化为图像操作，实现多模态空间的复杂推理，仅需要视觉问题回答（VQA）的标注数据即可。实验证明，该系统在图像操作方面表现出与已有的监督式数据基准相媲美或胜过的结果。

    May, 2023

  • 神经符号训练用于空间语言推理

    通过使用神经符号技术对语言模型进行培训，可以利用推理的逻辑规则作为约束，并为模型提供额外的监督来源，以弥补由于无法达到所需的抽象水平而在未观察到的复杂输入组合中难以提供解决方案的问题。我们聚焦于文本上的空间推理这一具有挑战性的问题，通过在多个语言模型上的多个基准测试中的结果验证了基于神经符号训练的有效领域转移假设。

    Jun, 2024

  • 将符号推理融入神经生成模型用于设计生成

    SPRING 是一种将神经和符号推理相结合的设计生成器，通过在深度生成网络内嵌入符号推理模块，它能满足用户要求并提供可解释性以及管理未遇到过的用户规格，提供高质量设计和更好地满足用户要求。

    Oct, 2023

  • 神经符号学习：眼科学原理和应用

    该综述介绍了神经符号学习（NeSyL）的最新方法及其原理，并讨论了它在视频和图像字幕、问答和推理、健康医学信息学和基因组学等领域的应用和未来发展前景。

    Jul, 2022

  • 神经符号推理用于规划：通过大型语言模型和可满足性求解的反例引导归纳合成

    使用方便的自然语言进行交流，结合生成式大型语言模型和可满足模理论求解器，可以生成可验证的正确解决方案。

    Sep, 2023

  • 简单有效的神经符号融合的转移学习

    深度学习与神经符号整合是解决深度学习普适性和推理任务的挑战，通过预训练神经模型并通过迁移学习注入感知部分的权重，可以改善当前神经符号方法中的收敛速度、复杂感知任务的学习难度和局部最小值问题。

    Feb, 2024