May, 2023

构建可逆的语义保留逻辑公式嵌入

PDF
TL;DR该研究工作探讨了如何使用基于图变分自编码器 (Graph Variational Autoencoder) 的深度架构来训练学习逻辑嵌入，以实现对逻辑嵌入的反向推理，即将嵌入空间中的逻辑公式反向映射回语法空间，进而提高机器学习中学习逻辑规则和性质的能力。
发现论文，激发创造
  • stl2vec：时序逻辑的语义和可解释向量表示

    将符号知识与数据驱动的学习算法集成是人工智能中长期存在的挑战，该论文以时序逻辑为知识表达形式，设计了一种计算具有多个期望属性的连续嵌入式文法的方法，并展示了该方法在学习模型检查和神经符号框架中的应用。

    May, 2024

  • Tsetlin 机嵌入：用逻辑表达式代表单词

    本文提出一种利用命题逻辑表示单词语义的词嵌入方法，使用 Tsetlin 机器自编码器进行学习，探讨了其在自然语言处理领域中的重要性，对比了其他模型，研究表明在多项分类任务中表现良好，且具有一定的可解释性。

    Jan, 2023

  • 在知识图谱上嵌入逻辑查询

    本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架，能够在处理复杂查询时提高时间复杂度，这种方法应用于真实世界数据中能够提供有用的预测能力。

    Jun, 2018

  • 逻辑神经网络

    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

  • 潜空间中的数学推理

    通过在固定维度的潜在空间中进行的近似推理的几个步骤，我们证明了神经网络可以对语句进行重写和推理，这对于各种数学学科都是可行的。

    Sep, 2019

  • 使用自编码逻辑程序学习关系表示

    本研究提出了一种新颖的用于关系表示学习的框架，该框架结合了传统的一阶逻辑和自动编码原理，使用逻辑程序而非神经网络进行原始表示和潜在表示之间的映射，将学习视为约束优化问题，得到的潜在表示在关系学习任务中表现优异，相较于深度学习方法，该框架更为准确、可解释性更强、更具灵活性。

    Mar, 2019

  • 用于复杂查询回答的逻辑嵌入

    该论文提出了使用 Skolemization 技术嵌入复杂查询的逻辑嵌入方法，支持否定查询、能够高效查询存在变量并优化建模、在大规模不完整知识图谱查询中快速准确，且在回答不确定性问题上提供了改进。

    Feb, 2021

  • 语义目标函数：向深度学习中添加逻辑约束的一种分布感知方法

    通过结合逻辑和信息几何，我们提出了一种将知识嵌入和逻辑约束引入机器学习模型中的方法，通过构造分布并将其与原始损失函数以及费舍尔 - 劳距离或库尔巴克 - 莱布勒散度相结合构造损失函数，以输出概率分布来包含逻辑约束。

    May, 2024

  • 将一阶逻辑嵌入核机器

    本论文提出了一个通用框架，将监督和无监督示例与由一组一阶逻辑子句表示的背景知识集成到内核机器中，通过在示例上学习多个定义在一组对象上的谓词，并在其值的允许配置上强制执行一组 FOL 约束。

    Nov, 2023

  • 使用逻辑归纳偏置学习语言表示

    本文介绍了一种基于逻辑推理的神经网络架构 FOLNet，它可以有效地学习强大的语言表示，并具有更强的迁移学习能力。实验证明，FOLNet 模型在多个语言理解任务中胜过了现有的强大的基于 Transformer 的方法。

    Feb, 2023