Jul, 2024

学习可解释的可微逻辑网络

HTML
PDF
TL;DR我们提出了一种学习可解释的可微分逻辑网络（DLNs）的新方法，这些网络使用多层二进制逻辑运算符构建，通过对输入进行二值化、二进制逻辑操作和神经元之间的连接来训练这些网络。实验结果表明，可微分逻辑网络在二十个分类任务上可以达到与传统神经网络相当甚至超过的准确率，并且具有解释性。此外，它们的相对简单结构使得推断过程中的逻辑门操作数量比神经网络少上千倍，适用于边缘设备部署。
发现论文，激发创造
  • 知识库推理的可微学习逻辑规则

    研究如何通过神经逻辑编程的框架来学习概率一阶逻辑规则应用于知识库推理，达到了比先前工作更好的效果。

    Feb, 2017

  • 通过神经逻辑网络学习算法

    提出了一种基于布尔逻辑代数的深度神经网络学习模型，建立了神经逻辑网络模型，可以显式地学习和解释逻辑函数，特别是用于归纳逻辑编程问题的新框架。通过在测试任务上的表现比较，证明了所提供的模型在元素算法任务上的有效性，并且可用于一些基准任务，如有序列表上的排序、十进制加法和乘法。

    Apr, 2019

  • 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

  • 分析可微模糊逻辑运算符

    研究表明在半监督学习中，将符号方法和神经方法相结合，并且使用基于模糊逻辑的运算符，可以使神经网络加入先前的背景知识和逻辑推理从而提高性能。

    Feb, 2020

  • 逻辑神经网络

    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

  • 探索端到端可微的自然逻辑建模

    我们提出了一种基于自然逻辑的神经网络模型，该模型使用模块网络模拟自然逻辑操作，并使用内存组件模拟上下文信息以有效建模单调性推理和聚合。实验表明，该模型可以有效地建模单调性推理，因此在聚合时得到更好的性能。

    Nov, 2020

  • 基于熵的神经网络逻辑解释

    该论文提出了一种基于熵的标准及一种新的端到端可微分的方法，用于从概念神经网络中提取逻辑解释，该方法使用一阶逻辑的形式化定义，并考虑了四个案例研究来证明这种熵基准能够从临床数据到计算机视觉中，在安全关键领域中提取简洁的逻辑解释。

    Jun, 2021

  • 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

  • 神经网络训练和验证的可微逻辑

    该论文讨论如何使用可微逻辑（Differentiable logics）来训练神经网络以满足逻辑条件，并以此保证其正确性。

    Jul, 2022

  • 可微逻辑的逻辑：朝向DL统一语义的发展

    本文介绍了一种名为Differentiable Logics的方法，它使用神经网络满足逻辑规范。作者提出了一种元语言，称为Differentiable Logics的逻辑，它可以定义Differentiable Logics中的指标函数。还提出了用于理论分析和实证研究现有Differentiable Logics的一般性语言。

    Mar, 2023