Mar, 2023

区间逻辑张量网络

PDF
TL;DR本文介绍了一种名为 Interval Real Logic（IRL）的两重逻辑，该逻辑使用具有实际特征数据序列来解释知识，我们使用模糊逻辑解释连接词，使用梯形模糊间隔解释事件持续时间，使用间隔面积之间的关系解释模糊时间关系，同时介绍了 Interval Logic Tensor Networks（ILTN）—— 一种通过 IRL 的梯度传播来进行学习的神经符号系统。
发现论文，激发创造
  • 逻辑张量网络：从数据和知识中进行深度学习和逻辑推理

    Logic Tensor Networks 通过在第一阶逻辑语言上定义一个逻辑形式（Real Logic），该形式的公式在区间 [0,1] 上具有真值，并且具体定义在实数域上的语义高效地将推理知识与数据驱动的机器学习结合起来，并证明了通过使用谷歌的 tensorflow 原语将 Real Logic 实现在深度张量神经网络上，并在简单但有代表性的知识自动完成的实验中应用逻辑张量网络。

    Jun, 2016

  • 用于语义图像解释的逻辑张量网络

    本文介绍了一种利用 LTNs 框架开发和应用于 SII 任务的方法，通过应用逻辑约束的背景知识，可以有效地从含有噪声的数据中学习并改善数据驱动方法的性能。同时，该方法还可以增强学习系统对训练数据标签错误的鲁棒性。

    May, 2017

  • 时间感知归纳逻辑推理

    本文研究了非知识图谱领域中的归纳逻辑推理问题，提出了基于超图的多起点随机 B-walk 方法和路径一致性算法相结合的后向链式归纳逻辑规则学习方法。

    Jun, 2022

  • 逻辑张量网络

    本文介绍了一种名为 Logic Tensor Networks（LTN）的神经符号形式和计算模型，支持通过引入一种称为 Real Logic 的可微分一阶逻辑表示语言进行学习和推理，并说明 LTN 提供了一种统一语言来规范和计算多个人工智能任务。

    Dec, 2020

  • 深层归纳逻辑编程与强化学习相遇

    我们提出了一种将可区分的神经逻辑网络应用于关系强化学习领域，以解决动态连续环境中的问题。该模型更新了架构，使其能够在连续强化学习环境中解决问题，并通过引入非线性连续谓词来改进当前的归纳逻辑编程方法，允许关系强化学习代理在动态和连续的环境中进行推理和决策。

    Aug, 2023

  • 自主系统的时间规划通过区间逻辑可满足性

    自动规划中的时间规划、规划图表、并发关系和可扩展性的研究。

    Jun, 2024

  • TLINet: 可微分神经网络时态逻辑推理

    TLINet 是一个神经符号框架，用于学习 Signal Temporal Logic 公式。该框架不仅学习 STL 公式的结构，还学习参数，具有解释性、紧凑性、表达能力丰富和计算效率高等优势。

    May, 2024

  • 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

  • 可微逻辑机

    该研究提出了一种新型神经逻辑架构，可以解决归纳逻辑编程和深度强化学习问题，其能够提供完全可解释的解决方案并能够在测试阶段得到更好的运行表现。

    Feb, 2021

  • 用于多标签分类的区间类型 - 2 模糊神经网络

    本研究提出了基于区间二型模糊逻辑的多标签分类模型，其中使用深度神经网络预测实例类型 - 1 模糊成员资格和模糊化器，以生成区间二型模糊成员资格，并提出一种损失函数来测量数据集中的二元标签和我们的模型生成的区间二型模糊成员资格之间的相似性。实验证明，我们的方法在多标签分类基准测试中优于基线。

    Feb, 2023