Jan, 2023

NeSyFOLD：基于卷积神经网络生成逻辑解释的系统

PDF
TL;DR本研究提出了一种名为 NeSyFOLD 的新型神经符号系统，通过以下步骤进行训练：（一）我们首先对输入图像数据集进行 CNN 预训练，并提取最后一层过滤器的激活作为二进制值；（二）接下来，我们使用基于规则的机器学习算法 FOLD-SE-M 生成一个逻辑程序，可以对表示为每个过滤器对应的二进制激活向量的图像进行分类，并生成逻辑解释。
nesyfoldneurosymbolic systemlogic-based explanationfold-se-mcnn filters mapping
发现论文，激发创造
  • 利用逻辑编程和核分组提高卷积神经网络的可解释性

    通过提出 NeSyFOLD-G 神经符号化框架，本研究使用卷积神经网络的最后一层核心生成符号规则集，提高了深度学习模型解释性，并通过核心分组算法减少规则集大小。

    Oct, 2023

  • 卷积神经网络中的偏差校正的神经符号框架

    通过神经符号框架 NeSyBiCor，我们成功纠正了使用 Places 数据集子类训练的卷积神经网络的偏见，以最小的准确性损失和更好的可解释性，大大减少了最终偏见校正规则集的大小。

    May, 2024

  • DeepSF: 深度卷积神经网络用于蛋白质序列到褶皱的映射

    使用深度 1D 卷积神经网络（DeepSF）对任何蛋白质序列进行直接分类，将其映射到 1195 个已知折叠中的一个，从而实现蛋白质折叠识别和序列结构关系研究，并在 SCOP 数据集上的测试中取得了 80.4％的分类精度。

    Jun, 2017

  • 基于物理信息卷积神经网络预测折叠分叉

    本研究提出了一种基于物理信息的卷积神经网络（CNN），用于识别靠近折叠分叉的动力系统的时间序列。研究结果表明，通过特定的数据预处理，该 CNN 能够准确捕捉与接近折叠分叉相关的重要特征，为类似的 CNN 在实际应用中的开发铺平了道路。

    Dec, 2023

  • 利用逻辑规则开发深度神经网络

    这篇论文提出了一种深度学习和逻辑规则相结合的通用框架，能够将逻辑规则的结构信息转移至神经网络的权重中，有效地提高了 CNN 和 RNN 的性能，适用于情感分析和命名实体识别等多个领域。

    Mar, 2016

  • 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

  • 深层符号学习：从感知中发现符号和规则

    本文提出了一种名为 Deep Symbolic Learning（DSL）的神经符号集成系统，它可以同时学习感知和符号函数，并且能够在可微分的神经网络学习管道中创建内部（可解释的）符号表示，以最好的方式解释数据。

    Aug, 2022

  • 神经快速逻辑学习：从原始数据中快速学习

    NeuralFastLAS 是一种可扩展且快速的端到端方法，能够联合训练神经网络和符号学习器，实现在任务中找到最优符号解的能力，并提供了理论结果和实验验证。

    Oct, 2023

  • 上下文感知的神经符号方法用于人类活动识别

    本文提出一种基于语义损失函数的神经符号 AI 的方法，用于上下文感知的人体活动识别中，避免了符号推理模块，同时在建立的训练模型中注入了特定知识要求，能够在一些方面超越现有方法，如数据驱动模型，达到或者超过现有的系统识别率。

    Jun, 2023

  • pix2rule: 端到端的神经符号规则学习

    本文提出了一种完整的神经符号方法，用于以端到端的方式将图像处理为对象，并在学习关系和逻辑规则方面。主要贡献是以可微分层为基础，从而可以通过剪枝和阈值确定符号关系和规则。我们使用两个数据集进行模型评估：符号规则学习的子图同构任务和学习对象，关系和规则的复合关系的图像分类域。结果表明，该模型超越最先进的符号学习者并优于深度关系神经网络架构。

    Jun, 2021