基于逻辑推导的半监督语义分割的诊断推理
LOGICSEG 是一个综合的视觉语义解析器,它集成了神经归纳学习和逻辑推理,通过丰富的数据和符号知识,将视觉概念结构化为一个层级结构,进行层次一致的预测和逻辑推理,并通过多个数据和神经计算图来进行逻辑感知网络的训练,从而实现与现有分割模型的集成。本研究证实了 LOGICSEG 的有效性和普适性,为视觉语义解析开辟了新的途径。
Sep, 2023
该论文探讨了将符号逻辑知识整合到深度神经网络中,以应对嘈杂的众包标签学习的问题。作者提出了一种名为 Logic-LNCL 的迭代逻辑知识蒸馏框架,该框架从噪声标记的数据和有关的逻辑规则学习,并在两个真实世界数据集上进行了广泛评估,显示了优于现有技术的表现。
Feb, 2023
半监督语义分割领域伪标签方法的综述,从不同角度分类并介绍了特定应用领域的具体方法,还探讨了伪标签技术在医学图像分割中的应用,并提出了一些可行的未来研究方向来解决现有挑战。
Mar, 2024
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
该论文介绍了 LogicInference 数据集,主要用来评估模型在逻辑推理方面的能力,该数据集涵盖了命题逻辑和部分一阶逻辑,并用半正式的逻辑符号和自然语言表示。同时,论文还对多种机器学习模型在该数据集上的初步实验结果进行了报告,建立了一个基础基线。
Mar, 2022
基于卷积神经网络的监督学习算法已成为医学图像分割任务的基准,但其效果严重依赖于大量标记数据。受到半监督算法的启发,利用有标签和无标签的数据进行训练,我们提出了 PLGDF 框架,用于使用较少注释的医学图像进行分割。我们提出了一种新颖的伪标签利用方案,将有标签和无标签的数据有效地合并到数据集中。此外,我们在分割网络的解码器模块中强制保持不同尺度之间的一致性,并提出了适用于评估一致性的损失函数。此外,我们在预测结果上应用了锐化操作,进一步提高了分割的准确性。在三个公开数据集上进行了大量实验证明,PLGDF 框架能够通过融合无标签数据显著提高性能。与六种最先进的半监督学习方法相比,我们的框架具有优越的性能。本研究的代码可以在 https URL 获取。
Nov, 2023
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
本文探讨了如何评估语义特征对语言模型预测的因果效应以及如何利用因果分析方法构建比较模型来评估 NLI 任务,强调因为可解释性和模型评估的需要,对于具有足够结构化和规律性的推理模式进行系统分析是非常有价值的
May, 2023
LogiGAN 是一种无监督的、改进语言模型逻辑推理能力的对抗预训练框架,采用检测启发式方法自动识别大规模文本语料库中的逻辑推理现象,并通过敌对的生成 - 验证者架构来模拟学习思考过程的促进作用。实验表明,采用 LogiGAN 预训练后的语言模型在需要普遍推理能力的 12 个数据集上表现明显优于基线,揭示了逻辑在广泛推理中的基础作用以及 LogiGAN 的有效性。
May, 2022