- 跨符号 AI:连接符号 AI 和子符号 AI
一篇关于符号智能和非符号智能相结合的研究领域 —— 符号智能的基本概念和意义以及非符号智能的整体作用并且介绍了诸多开创性的研究成果。
- 具有可解释模型和策略网络的神经符号强化学习的三个路径
神经符号人工智能结合经典符号方法的可解释性、简洁性和显式推理与数据驱动神经方法的统计学习。本文在实际强化学习环境中展示了实现此类模型和策略的三个途径,并探讨了逻辑、模拟和学习的潜力和困难,以及与可学习性和可解释性之间的权衡关系。
- A & B == B & A:在大型语言模型中触发逻辑推理失败
我们引入了 LogicAsker,它是一种自动方法,全面评估和改进基于命题和谓词逻辑的大型语言模型的逻辑推理能力,并揭示了 LLM 未能学好的逻辑规则。我们评估了 LogicAsker 在 GPT-3、ChatGPT、GPT-4、Bard、 - 人、动物和智能机器认知的逻辑基础:形态计算
在自然主义传统中,本研究考察了逻辑、认识论和科学之间的相互关系,提出了一个连接逻辑、数学、物理、化学、生物和认知的框架,强调自然组织层次上的尺度不变、自组织动力学。同时,本研究认为认知逻辑源自于物理、化学和生物逻辑的进化,并通过较低组织层次 - 从汉语角度的命题:一个汉语命题分类评估基准
本文提出了显式和隐式命题的概念,基于语言学和逻辑提出了一种综合的多层次命题分类系统,同时创建了一个包含所有与命题相关类别的大规模中文命题数据集 PEACE 进行评价。研究结果表明适当建模命题的语义特征非常重要,BERT 在命题分类能力上相对 - ICML无效的逻辑,等效的收益:语言模型提示推理的怪异性
语言模型可以通过提示在问题上进行推理,从而显著提高性能。研究发现,在逻辑上无效的 CoT 提示方面存在一些性能改进。
- 因果 Kripke 模型
在可能世界语义环境中,扩展了 Halpern 和 Pearl 关于实际因果模型的研究。使用这个框架,我们引入了一个带有模态运算符的实际因果逻辑,使得我们可以推理涉及多种可能性、时间性、知识和不确定性的因果关系。通过一些例子进行了说明,并讨论 - MM时序逻辑的模数下的反事实
该研究论文扩展了 Lewis 关于反事实推理的理论,提出了一个结合时间和反事实操作的逻辑来自动化推理并解决可满足性和追踪检查问题。
- 统计关系学习和神经符号人工智能:一阶逻辑提供了什么?
本文旨在以非技术的方式简要概述并表达使用(一阶)逻辑来表示(概率)知识的逻辑和哲学基础。
- 构建可逆的语义保留逻辑公式嵌入
该研究工作探讨了如何使用基于图变分自编码器 (Graph Variational Autoencoder) 的深度架构来训练学习逻辑嵌入,以实现对逻辑嵌入的反向推理,即将嵌入空间中的逻辑公式反向映射回语法空间,进而提高机器学习中学习逻辑规则 - 神经符号常识社会推理
本研究介绍了一种利用神经符号定理证明器将自然语言中的社交经验法则转换成一阶逻辑,从而进行逻辑推理,并通过一种新的算法生成抽象意义表示法(AMR)的替代简化版本,以增加对不同文本措辞和不正确 AMR 解析的稳健性。该系统在社交化学 101 个 - ChatGPT 的一致性分析
我们调查了 ChatGPT 的可靠性和逻辑一致性。发现虽然 ChatGPT 在语言理解能力方面有所提高,但它仍经常无法生成逻辑上正确的预测;因此,我们得出结论:在没有充分人工检查的情况下,在真实世界的风险敏感领域中使用 ChatGPT 需要 - 通过分类器对基于法律案例推理器进行建模和解释
本文结合了案例推理的基于因素的模型和分类器逻辑规范的两条研究线索,将 Horty(2011)的基于因素的先例模型与 Liu&Lorini(2021)的逻辑方法相结合,重新制定了 Horty 的情况库,并提供了几个表示结果。
- 可解释性通过短公式:命题逻辑的案例与实现
该研究旨在通过定义解释性、逻辑和公式大小来解决特定的解释问题,对命题逻辑进行了研究,最终提供了与 n 皇后和支配集问题相关的问题解释能力的实现。
- C - 因果盲区:一种基于加权隐马尔可夫模型的实验性计算框架,研究生物计算、人工计算和逻辑之间的同构关系
论文讨论了一种假设的认知盲点 ——C-CB,以及在大脑计算、逻辑和计算机计算中使用隐含马尔可夫模型展示了它们之间的同构关系。
- 人工智能中逻辑的三种现代角色
论文探讨了三个现代逻辑在人工智能中的作用,并以可处理的布尔电路理论为基础,这三个角色包括逻辑作为计算基础、逻辑用于从数据和知识的组合中进行学习和逻辑用于推理机器学习系统的行为。
- MM统计 EL 问题是 ExpTime 完备的
本篇研究证明,由 Peñaloza 和 Potyka 定义的统计 EL 本体论的一致性问题是时间指数难问题,结合现有的时间指数上限,得出逻辑的时间指数完备性。我们的证明通过将扩展了原子概念否定的 EL 的一致性问题归纳到统计 EL 本体论的 - AAAI通过语义片段探究自然语言推理模型
通过使用语义片段,作者发现目前自然语言理解领域最先进的模型在布尔协调、量化、条件、比较和单调性推理等方面表现不佳,在这些问题上进行微调,BERT-based 模型可以掌握所有逻辑和单调性片段,同时保持其在已有 NLI 基准测试的性能。
- 深度学习的测试改进
对神经网络的测试方法进行研究,提出了一种覆盖所有逻辑的覆盖率准则,并探讨了改进方法和需要快速、可扩展、通用的端到端测试方法的必要性。
- MM大数据推理和高级分析的扩展
BigDatalog 是 Datalog 的扩展,旨在实现在 Apache Spark 和多核系统上的性能和可扩展性,其图分析性能优于 GraphX,通过实现技术(例如半朴素极限和魔术集)解决了在递归中使用数量、总和和极值等问题。