COLINGApr, 2024

基于解释的自然语言推理的可微整数线性规划求解器

PDF
TL;DR提出了一种名为 Diff-Comb Explainer 的新方法，它是一种基于可微的黑匣子组合求解器 (DBCS) 的神经符号体系结构，用于基于解释的自然语言推理 (NLI)，通过直接、更精确和高效地将神经表示纳入 ILP 公式中，显著提高了构建解释的精度，一致性和忠实度，在复杂领域为可解释和透明的 NLI 研究提供了新的机会。
integer linear programmingneuro-symbolic architecturenatural language inferencedeep learningexplanation-based nli
发现论文，激发创造
  • 超越近似：通过可微组合求解器对编码约束进行可解释的多跳推理

    Diff-Comb Explainer 揭示了现有的不可区分的解算器、转换器和现有的不可区分的约束多跳推理框架中的精度和可解释性改进，是一种基于 Differentiable BlackBox Combinatorial solvers (DBCS) 的神经符号结构。

    Aug, 2022

  • 结合概念分析和 ILP 的 DNN 表达式解释

    该论文研究了如何利用深度学习神经网络中学习到的内在特征，利用概念分析方法和归纳逻辑编程理论，构建基于符号的模型，实现黑盒机器学习的可解释性，体现其透明度和可靠性的要求。

    May, 2021

  • 通过可微分深度神经逻辑网络进行归纳逻辑编程

    本文提出了一种通过深度递归神经网络解决归纳逻辑编程问题的新模式，其中解决方案基于可微分的向前链推论的实现，在分类任务中得出了较好的性能表现，支持递归和谓词创造等理想特性。

    Jun, 2019

  • 深层归纳逻辑编程与强化学习相遇

    我们提出了一种将可区分的神经逻辑网络应用于关系强化学习领域，以解决动态连续环境中的问题。该模型更新了架构，使其能够在连续强化学习环境中解决问题，并通过引入非线性连续谓词来改进当前的归纳逻辑编程方法，允许关系强化学习代理在动态和连续的环境中进行推理和决策。

    Aug, 2023

  • 利用可微逻辑程序语义学习一阶规则

    本研究提出一种名为 DFOL 的新型可微分归纳逻辑编程模型，通过搜索可解释的矩阵来从关系事实中找到正确的一阶逻辑程序，并将符号前向链接格式转换为 NN 约束函数，并采用梯度下降将 NN 的训练参数解码成精确的符号逻辑程序。

    Apr, 2022

  • 神经逻辑归纳学习：高效解释技能的学习

    本研究提出了一种名为 “神经逻辑归纳学习” 的可微分归纳逻辑编程框架，通过学习可以解释数据模式的一阶逻辑规则，与现有的方法相比，具有更高的效率和可扩展性。

    Oct, 2019

  • 可微逻辑机

    该研究提出了一种新型神经逻辑架构，可以解决归纳逻辑编程和深度强化学习问题，其能够提供完全可解释的解决方案并能够在测试阶段得到更好的运行表现。

    Feb, 2021

  • 基于神经符号学和 ILP 增强的 DBN 的 EDA 优化

    本文研究通过深度置信网络 (DBN) 和归纳逻辑编程 (ILP) 的新型组合来使用估计分布 (EDA) 方法解决离散优化问题。我们的神经符号 EDA 引擎使用 ILP 引擎构建具有站在领域背景知识相好的解决方案的模型，并将这些规则作为布尔特征引入用于基于 EDA 的优化时的 DBNs 的最后一个隐藏层中。我们的实验表明，我们的方法可行，并且相比未使用 ILP 功能的 DBNs，使用 ILP-assisted DBN 生成的样本都更有可能是良好的解决方案，从而增加了解算法收敛时得到最优解的可能性。

    Dec, 2016

  • 高维空间中的可微归纳逻辑编程

    介绍了一种利用高维梯度下降和大规模谓词发明来实现基于归纳逻辑编程的合成的方法，该方法获得了超过现有神经符号逻辑编程系统成就的符号解。

    Aug, 2022

  • 通过对话式解释探索 NLP 模型和数据集的 InterroLang

    通过在 NLP 领域中使用具有自由文本理性化功能的对话系统，研究人员对 NLP 任务进行了改进，并通过评估模型性能和用户研究，证明了理性化和特征归因在解释模型行为方面的有效性。

    Oct, 2023