采用逻辑神经网络学习归纳逻辑规则,得出高度可解释且具有灵活参数化以适应数据的规则。
Dec, 2021
本文对神经符号融合领域进行了全面调查,并根据其结构和能力进行了新的分类。该领域近期在处理连接主义系统(也称为人工神经网络)中的符号知识方面取得了重大进展,为人工智能提供了各种技术。
Nov, 2005
我们提出了一种新的框架,无缝提供神经网络(学习)和符号逻辑(知识和推理)的关键属性,每个神经元都有权重实值逻辑公式的组成部分,得到了高度可解释的分离表示,推理是全向的而不是集中在预定义的目标变量上,对应于逻辑推理,包括经典的一阶逻辑定理证明作为特殊情况。
Jun, 2020
本文介绍了一种名为 NSIL 的神经符号归纳学习方法,通过训练一个通用神经网络,从原始数据中提取潜在的概念,同时学习映射潜在概念与目标标签的符号知识,从而解决复杂决策问题。我们在三个不同复杂度的问题领域上评估了 NSIL,包括 NP 完全问题。结果表明,NSIL 学习到了表达丰富的符号知识,能够解决计算复杂的问题,并在准确性和数据效率方面取得了最先进的性能。
May, 2022
此 研究综述 了神经符号 和 统计关系人工智能在学习和逻辑推理方面的几个相似性,并提出了几个研究方向。
Aug, 2021
本文探讨了深度神经网络存在的一些局限性,以及最近兴起的神经符号混合系统如何整合符号推理并提出改进方法,将通用注释逻辑扩展为一个基于离散优化的二值化神经网络,提供了可行性证明,并讨论了实现该框架面临的挑战。
Feb, 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
这篇综述介绍了神经符号和统计关系人工智能这两个领域之间七个不同维度的相似之处,包括学习和逻辑推理,这些不仅可以用于表征和定位神经符号人工智能方法,还可以指出进一步研究的方向。
Mar, 2020
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
本文介绍了一种名为 Logic Tensor Networks(LTN)的神经符号形式和计算模型,支持通过引入一种称为 Real Logic 的可微分一阶逻辑表示语言进行学习和推理,并说明 LTN 提供了一种统一语言来规范和计算多个人工智能任务。
Dec, 2020