Aug, 2023

dPASP：面向神经符号学习和推理的全面可微概率答案集编程环境

PDF
TL;DR我们提出了 dPASP，一种新颖的声明性概率逻辑编程框架，用于可微的神经符号推理。该框架允许使用神经谓词、逻辑约束和区间值概率选择来指定离散概率模型，从而支持低级知觉（图像、文本等）、常识推理和（模糊的）统计知识的模型。我们讨论了可以表达非确定性、矛盾、不完整和 / 或统计知识的概率逻辑程序的多种语义。我们还讨论了在选定语义下如何使用神经谓词和概率选择进行基于梯度的学习。然后，我们描述了一个实现了推理和学习功能的软件包，并提供了几个示例程序。该软件包对深度学习系统内部工作的用户知识要求很少，同时允许端到端地训练相当复杂的模型和损失函数。
dpaspdeclarative probabilistic logic programmingneuro-symbolic reasoningprobabilistic modelsgradient-based learning
发现论文，激发创造
  • 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

  • 再探可能性答案集编程

    本文介绍了一种基于可能逻辑的新 ASP 模型，称为 Possibilistic answer set programming（PASP）。通过将对 PASP 程序中的规则的确定性附加到每个规则上，我们提出了一种更加合适的 PASP 语义，并且该框架可以轻松使用标准 ASP 求解器实现。

    Mar, 2012

  • 利用可能性理论对答案集语义进行特征化和扩展

    本文介绍了新的 Possibilistic ASP (PASP) 模型语义，其中规则被解释为对可能性分布的约束，并且在这些约束的特殊模型中识别为可能主义答案集。此外，我们还发现一种新形式的析取，称为弱析取，其计算复杂性比传统析取容易。

    Nov, 2013

  • NeurASP：将神经网络融入 Answer Set Programming

    NeurASP 是一种简单的扩展答案集程序的方法，它综合了神经网络的子符号计算和符号计算。它可以利用预训练的神经网络进行符号计算并通过应用答案集程序中的符号推理来提高神经网络的感知结果。此外，通过使用 ASP 规则训练神经网络，它还可以从规则表达的复杂语义约束中学习，以便神经网络不仅可以从数据的隐式相关性中学习，还可以从规则表达的显式约束中学习。

    Jul, 2023

  • 基于采样的多模型优化的可导可满足性和可导答案集编程

    本文介绍了 Differentiable SAT/ASP 方法，使用梯度下降分支机制采样不同模型进行多模型优化，其主要应用包括分布感知模型采样和富有表现力的可扩展概率逻辑编程，并提出了算法性能检测软件 DelSAT，实验表明该方法性能强劲，远优于与之相比的其他方法。

    Dec, 2018

  • 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

  • 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

  • 面向答案集编程中猜测和检查程序的自动集成：元解释器和应用

    本文提出将无环扩展析取逻辑程序转化为分层正向扩展析取逻辑程序的方法并将研究应用于 ASP 中这一强大的工具，扩展了现有策略在编程范式中的应用，进一步提高了处理 NP 问题的方法。

    Jan, 2005

  • PDP: 一个通用的神经网络框架，用于学习约束满足求解器

    本论文提出了一种基于图神经网络的通用框架，可用于以完全无监督的方式通过能量最小化解决 CSP 问题，并通过在图模型中传播、减少和预测的方法学习搜索策略，从而比现有的神经网络和基线模型更有效地解决 SAT 问题。

    Mar, 2019

  • 稳定 - 不稳定语义：超越 NP 的普通逻辑程序

    提出一种基于逻辑编程的建模范式，将 ASP 和 QBF 的最佳特性相结合，实现对高层次搜索问题的编码。

    Aug, 2016