简单有效的神经符号融合的转移学习
本文提出了一种名为 Deep Symbolic Learning(DSL)的神经符号集成系统,它可以同时学习感知和符号函数,并且能够在可微分的神经网络学习管道中创建内部(可解释的)符号表示,以最好的方式解释数据。
Aug, 2022
NeSyGPT 通过对视觉 - 语言基础模型进行微调,从原始数据中提取符号特征,并学习一个高度表达的回答集程序来解决下游任务,以提高 NeSy 任务的性能和减少数据标记和手动工程工作量。
Feb, 2024
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
通过研究关于 Neuro-Symbolic 人工智能(NeSy)在自然语言处理中的应用,发现将逻辑编译到神经网络中的系统能够实现最佳的 NeSy 目标,呼吁更加系统化的方法和适当的基准测试用于理解该领域的发展。
Feb, 2022
本文提出一种基于语义损失函数的神经符号 AI 的方法,用于上下文感知的人体活动识别中,避免了符号推理模块,同时在建立的训练模型中注入了特定知识要求,能够在一些方面超越现有方法,如数据驱动模型,达到或者超过现有的系统识别率。
Jun, 2023
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
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
本文介绍了神经符号计算(NeSy)领域的重要和最新研究发展,包括研究历史,背景知识,关键驱动因素以及主要特征。文章讨论了该领域的一些重要应用并针对目前存在的问题提出了新的研究方向,以期进一步推动以数据和知识为驱动的 AI 的研究进展。
Oct, 2022