关键词neuro-symbolic learning
搜索结果 - 6
- 具有深度学习和自然语言能力的辅助图像标注系统:一项综述
本研究论文探讨了在计算机视觉任务中,超分辨率学习取得了显著的成功,但获取高质量的标注数据仍然是一个瓶颈。作者调查了 AI 辅助深度学习图像标注系统的学术和非学术作品,这些系统为注释者提供关于输入图像的文本建议、标题或描述,从而提高注释效率和 - ICLR神经符号系统的软化符号定位
神经符号学习中的符号基础问题是人工智能中的一个基本问题。本文提出了一种新的、软化的符号基础过程,能够桥接神经网络训练和符号约束求解两个分离的领域,从而构建一个高效且有效的神经符号学习框架,并通过实验证明该框架具有优越的符号基础能力。
- ICLR逻辑约束下的学习,但不满足快速通道
通过引入双变量来解决逻辑连接约束的快捷方式问题,将编码形式化为与模型的原始训练损失兼容的分布损失,实现学习逻辑约束的新框架在模型的普适性和约束满足方面表现出卓越的性能。
- 具有逻辑约束的自回归模型的伪语义损失
神经符号人工智能(Neuro-symbolic AI)通过在神经网络的输出分布上最大化符号约束的可能性来弥合纯符号和神经学习方法之间的差距。为了应用神经符号学习于更具表达能力的自回归分布,例如转换器,我们提出了一种在随机的局部近似上对其进行 - 神经符号学习:眼科学原理和应用
该综述介绍了神经符号学习(NeSyL)的最新方法及其原理,并讨论了它在视频和图像字幕、问答和推理、健康医学信息学和基因组学等领域的应用和未来发展前景。
- IJCAI从原始数据中归纳出的演绎知识
本篇论文介绍了一种称为 Abductive Meta-Interpretive Learning ($Meta_{Abd}$) 的方法,该方法结合了知识推理和归纳学习技术,从数据中共同学习神经网络和逻辑理论,并证明了该方法在预测准确性和数据