Feb, 2024
从数据中推断抽象的统一符号推理模型
Inference of Abstraction for a Unified Account of Symbolic Reasoning from Data
Hiroyuki Kido
TL;DR从神经科学的贝叶斯方法论中汲取灵感,我们提供了一种统一的概率模型,用于从数据中进行各种类型的符号推理。我们使用经典后果关系、经验后果关系、最大一致集、最大可能集和最大似然估计来描述它们,该理论为实现类人机智能的推理过程提供了新的见解。
Abstract
Inspired by empirical work in neuroscience for bayesian approaches to brain
function, we give a unified probabilistic account of various types of symbolic
reasoning from data. We characterise them in terms of
发现论文,激发创造
推理和学习统一描绘的抽象推论
基于神经科学中贝叶斯方法对脑功能的启示,我们提出了一个简单的概率推断理论,用于统一描述推理和学习。我们通过符号逻辑中知识的可满足性模拟数据如何引发符号知识的过程,即抽象过程和选择性无知。我们讨论了推理的逻辑后果关系以及基于实验证据的 MNIST 数据集的经验正确性。
Feb, 2024
贝叶斯遇见蕴含和预测:基于非单调性、部分一致性和预测准确性的常识推理
本文提出一种基于生成模型的逻辑推理关系,将真值的概率生成过程化,证明了该模型优于其他推理模型,同时给出了一种性能优越的分类算法。
Dec, 2020
朝向统一知觉推理和逻辑推理
本文提出了一个简单的概率模型,可应用于感知和逻辑推理,它将两种过程统一起来:一方面是感知和逻辑知识从另一个知识中派生的过程,另一方面是从数据中派生出这种知识的过程,并且在逻辑推理中完全描述了该模型。
Jun, 2022
具有时间性质的生成逻辑:超越逻辑一致性和统计可能性
该论文提出了一种简单的推理理论,用来从数据中完全推理符号知识。采用贝叶斯方法模拟数据如何导致符号知识,符号知识的概率推理被建模为正向与反向因果推理的过程。该理论应用于机器人本地化问题,研究表明机器人在完全基于数据的情况下,即使传感器出现故障或噪声也可以高效解决问题。
Jan, 2023
个体人类推理的量化符号方法
本文使用非单调推理和计算机科学中的答案集编码(ASP)来形式化作为认知原则的文献发现,建立一个名为‘plausibility’的推理概念,并将其用于测试现有实验的效果并解释不同的多数响应。
May, 2022
贝叶斯蕴含假设:大脑实现单调和非单调推理的方式
该论文探讨了大脑是贝叶斯机器的假设,给出了一种基于 Bayesian 算法和数据结构的逻辑推理方法,并详细描述了它们的抽象推理属性及优点。
May, 2020
利用符号库进行归纳推理的神经数学推理方法增强
通过离散型系统和抽象学习框架的组合,提出了 ABL-Sym 算法,将 Transformer 神经模型与符号数学库相结合,从而在数学推理数据集上显示出显著的准确性提高。
Mar, 2022