使用可证明保证的方法解读神经符号学习中的原始数据
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
人工智能的快速发展,特别是通过深度神经网络,已经在视觉和文本处理等领域取得了显著进展。但是,实现人类类似的推理和可解释的人工智能系统仍然面临重大挑战。神经符号学范式将神经网络的深度学习能力与符号系统的推理能力结合起来,提供了开发更透明和可理解的人工智能系统的有希望途径。本文探讨了基于知识图谱的神经符号一体化的最新进展,阐明了知识图谱在三个关键类别中支撑着这种一体化:通过引入符号知识来增强神经网络的推理和可解释性(Symbol for Neural),通过神经网络方法来提高符号系统的完整性和准确性(Neural for Symbol),以及促进两者在混合神经符号一体化中的应用。本文强调了当前的趋势,并提出了神经符号人工智能领域未来研究的方向。
May, 2024
我们提出了一种新的用于有命题背景知识的监督多标签分类的形式化方法,称为推理中的语义调整,其在推理过程中限制系统而不影响训练,相比于另外两种常见的神经符号技术(语义调整和语义正则化),我们讨论了其在理论和实际上的优势,并开发了一种新的多尺度方法来评估神经符号技术的好处随着网络规模的演化,通过对多个数据集的实验和比较,我们的结果表明,推理中的语义调整可以用于构建更准确的基于神经网络的系统,使用更少的资源,并确保输出的语义一致性。
Feb, 2024
本篇论文介绍了一种称为 Abductive Meta-Interpretive Learning ($Meta_{Abd}$) 的方法,该方法结合了知识推理和归纳学习技术,从数据中共同学习神经网络和逻辑理论,并证明了该方法在预测准确性和数据效率方面的优越性,以及可以在后续学习任务中重复使用的背景知识。
Oct, 2020
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
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
本文介绍了一种名为 NSIL 的神经符号归纳学习方法,通过训练一个通用神经网络,从原始数据中提取潜在的概念,同时学习映射潜在概念与目标标签的符号知识,从而解决复杂决策问题。我们在三个不同复杂度的问题领域上评估了 NSIL,包括 NP 完全问题。结果表明,NSIL 学习到了表达丰富的符号知识,能够解决计算复杂的问题,并在准确性和数据效率方面取得了最先进的性能。
May, 2022
本文调查了神经符号人工智能的杂交方法在生物医学领域的实用性和潜在益处,这些方法对于如药物重新定位等任务的 KG 完成 (KGC) 更为适合,因为生物医学数据集通常被建模为知识图谱 (KG) 以捕捉其多关系、异质性和动态属性。
Jul, 2023
深度学习在自然语言处理 (NLP) 任务中取得了显著进展,本研究提出了一种神经符号学习方法,将符号主义和连接主义两种人工智能学派相结合,通过强化学习或其弱化版本在下游任务中实现具有符号潜在结构的神经系统的弱监督推理。该框架已成功应用于表格查询推理、句法结构推理、信息抽取推理和规则推理等各种任务。
Sep, 2023
本研究开发了一种结合符号逻辑和神经网络自动生成生物学知识图谱节点的向量嵌入方法,用于生物知识图谱的边预测,并实现了优于人工特征方法的表现,该方法可应用于任何生物知识图谱中,并开放性的提供了生物领域中基于语义 Web 技术的知识库的机器学习和数据分析。
Dec, 2016