Apr, 2023

扇贝：神经符号编程语言

PDF
TL;DRScallop 是一种结合深度学习和逻辑推理的语言，支持广泛的神经符号应用，并通过基于关系数据模型的灵活符号表示、基于 Datalog 的声明性逻辑编程语言以及基于证明半环理论的自动和高效可微分推理框架来实现这些目标。我们评估了 Scallop 在 8 个神经符号应用程序中的表现，结果表明，Scallop 能够在各种具有挑战性的 AI 任务中表达算法推理，为机器学习程序员提供了简洁的接口来整合逻辑领域知识，并在准确性方面产生与现有最先进模型相当或更优的结果，在运行时间和数据效率、可解释性和泛化性方面的结果均优于这些模型。
发现论文，激发创造
  • 将概率电路融入神经答案集编程 SLASH

    SLASH 是一种新型的深度概率编程语言，基于神经概率谓词和逻辑程序相结合，实现了神经元素和符号元素的融合，在 MNIST 加法、缺失数据预测和集合预测等任务中表现出卓越的性能和通用性。

    Oct, 2021

  • 可扩展神经概率答案集规划

    提出了 SLASH 概率编程语言，通过神经概率谓词和逻辑编程实现了可管理的概率推理，可以进行各种类型的概率查询，并在多个任务上取得了良好的表现。

    Jun, 2023

  • 神经 Lambda 演算：神经符号 AI 遇上计算和函数编程基础

    研究使用基于 Lambda Calculus 的神经网络模型作为程序的执行方法。

    Apr, 2023

  • 离散 - 连续领域中的神经概率逻辑编程

    DeepSeaProbLog 是一种神经概率逻辑编程语言，将深度概率编程技术融入了神经符号人工智能中，支持在逻辑约束下学习和推理离散和连续概率分布。

    Mar, 2023

  • 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

  • 神经符号学习系统中的优化

    神经符号 AI 旨在将深度学习与符号 AI 相结合，以减少训练神经网络所需的数据量，提高模型给出答案的可解释性和可解性，并验证经过训练的系统的正确性。我们研究神经符号学习，既有使用符号语言表示的数据，也有背景知识。通过模糊推理、概率推理以及训练神经网络来连接符号和神经组件，以交流这一知识。

    Jan, 2024

  • 广义注释逻辑的扩展及其等效神经架构

    本文探讨了深度神经网络存在的一些局限性，以及最近兴起的神经符号混合系统如何整合符号推理并提出改进方法，将通用注释逻辑扩展为一个基于离散优化的二值化神经网络，提供了可行性证明，并讨论了实现该框架面临的挑战。

    Feb, 2023

  • SNeL: 一种面向实体的多模态场景理解的结构化神经符号语言

    介绍了 SNeL（结构化神经符号语言）查询语言，结合了高级符号推理和低级神经处理，可用于从多模态数据中提取信息，评估表明它的潜力能够重塑我们与复杂神经网络交互的方式。

    Jun, 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

  • 一种新的统计关系学习下的神经符号系统

    提出了一种名为 GBPGR 的广义双层概率图推理框架，通过使用统计关系学习启发式地集成了深度学习模型和符号推理，以解决当前人工智能领域中深度学习和符号推理相结合的方法在组合方式、泛化性和可解释性方面的局限性，并通过大量实验证明了该方法在转导和归纳任务中实现了高性能和有效的泛化能力。

    Sep, 2023