Feb, 2024

Sandra—— 基于描述和情境的神经符号推理器

PDF
TL;DR这篇论文介绍了一种名为 sandra 的神经符号推理器，它将向量表示与演绎推理相结合。Sandra 利用本体论建立了一个向量空间，并对其进行推理。该推理器的几何性质使其能够与神经网络结合，弥合了符号知识表示与神经网络之间的差距。通过描述和情境 (DnS) 本体设计模式，Sandra 可以推断出所有可能的角度 (描述)，以合理解释给定的事实 (情境)，即使信息不完整。我们证明了我们的方法与 DnS 模型是正确的。我们在两个不同的任务和它们的标准基准上进行实验，证明 sandra 在不增加复杂性的情况下 (i) 胜过了所有基线 (ii) 在分类过程中提供了可解释性，以及 (iii) 可以控制预先设计好的向量空间。
发现论文，激发创造
  • 神经符号化 RDF 和描述逻辑推理器：现状和挑战

    本文综述了在 RDF (S)、描述逻辑 EL 和 ALC，以及 OWL 2 RL 的支持下，基于神经符号推理的现有文献，讨论了采用的技术、解决的任务以及该领域的其他相关努力。

    Aug, 2023

  • 基于知识的神经符号潜变空间类比推理

    本论文提出了一种结合神经网络的模式识别能力、符号推理和背景知识来解决类比推理问题的框架，并应用于 RAVEN 的递进矩阵上，取得了与人类表现有竞争力甚至更优秀的结果。

    Sep, 2022

  • 神经符号训练用于空间语言推理

    通过使用神经符号技术对语言模型进行培训，可以利用推理的逻辑规则作为约束，并为模型提供额外的监督来源，以弥补由于无法达到所需的抽象水平而在未观察到的复杂输入组合中难以提供解决方案的问题。我们聚焦于文本上的空间推理这一具有挑战性的问题，通过在多个语言模型上的多个基准测试中的结果验证了基于神经符号训练的有效领域转移假设。

    Jun, 2024

  • NS3D: 三维物体和关系的神经符号基础

    本文提出了 NS3D 三维场景认知神经符号框架，通过使用基于大规模语言编程模型的层级结构来将语言翻译为程序，不同的功能模块实现为神经网络，并引入管高度关系的功能模块有效地推理复杂场景中物体之间的关系，在数据效率和泛化方面表现出色，在 3D 视角相关任务 ReferIt3D 上获得了最先进的结果。

    Mar, 2023

  • 一种神经符号化方法用于自然语言理解

    通过启用预训练语言模型的深度神经网络，在系统 1 和系统 2 的理论支持下，实现了基于神经和符号处理的类比推理和逻辑推理，并在数值推理的两种自然语言理解任务中显著优于现有的最先进方法。

    Mar, 2022

  • 深度神经网络本体推理

    本研究采用最新的深度神经网络训练方法，成功开发出了一种模型，可以学会在基本本体论推理的形式下有效地进行逻辑推理，进而可以应用于许多现实世界中的问题，并且在各项实验中表现出高度准确和生物学上的可行性。

    Aug, 2018

  • 神经符号学习与推理：调查和解释

    这篇文章介绍了关于认知科学、人工智能、神经计算的研究，特别是神经符号学习和推理的最新进展，从理论到应用和挑战，以及展望未来。

    Nov, 2017

  • 走向完全声明性神经符号语言

    提出并实现了完全声明性的神经谓词的通用框架，从而扩展到完全声明性的 NeSy 框架。首先证明声明性扩展在保持学习和推理能力的同时，能够在仅通过单个查询类型进行训练的情况下回答任意查询。

    May, 2024

  • 通用常识推理的无监督深度结构语义模型

    本文提出使用基于深度结构语义模型（DSSM）的神经网络模型，并借助大量未经监督学习的文本来学习常识知识，以解决常识推理任务（Winograd Schema challenges）和代词消岐（Pronoun Disambiguation），并证明其在句子上下文信息和代词和名词之间的引用信息捕捉方面的有效性和显著性改进。

    Apr, 2019

  • 图结构推理的神经符号人工智能：综述

    这篇论文调查了在图结构上执行神经符号推理任务的广泛方法，并提出了一个新的分类法来比较这些方法，包括基于逻辑推理嵌入方法、施加逻辑约束的嵌入方法和规则学习方法。此外，还提供了一个表格概述这些方法。

    Feb, 2023