- 通过搜索梯度引导的基于草图的程序归纳
使用进化策略通过搜索梯度学习参数化程序,为程序归纳提供了一种解决方案,使其可在各种情境下应用。
- KB-Plugin:面向低资源知识库引导程序的即插即用框架
使用自我监督学习编码细节化的知识库模式信息,KB-Plugin 能够帮助大规模语言模型从任何资源不足的知识库中诱导出程序。
- 视觉概念学习中的组合多样性
本文探讨了人类与计算机视觉模型在不同类型的视觉组合任务中的差异,通过大程序空间中的最佳程序来生成具有丰富关系结构的候选视觉对象,发现人类和程序感知上存在着一些相同点,同时在一些结构上存在不同,其中,形成新的概念主要涉及到的是组合机制和抽象。
- 利用自然语言与程序抽象将人类归纳偏好渗透到机器中
通过在自然语言任务描述和生成这些任务的程序中预测表示,并指导它们对更具人类化的归纳偏差进行联合训练,结果表明在下游元增强学习代理中,这些表示的抽象支持是关键。
- 知识库中回答复杂问题的程序转移
本文提出了一种基于程序传递的方法来帮助没有程序注释的低资源知识库中的程序感应,对于这一方法,我们设计了一个新的两阶段解析框架,具有高效的本体采导向修剪策略,实验表明,该方法在复杂网络问题和 WebQuestionSP 上优于 SOTA 方法 - AAAI忘记学习逻辑程序
本文提出使用多任务学习自动获取背景知识的方法,同时探讨是否删除背景知识对于归纳逻辑编程学习器的性能有所提升。实验结果表明,在学习过多于 10,000 个任务后,使用 Forgetgol 方法会优于其他方法。
- MM深度概率逻辑编程中的神经概率逻辑编程
DeepProbLog 是一种神经概率逻辑编程语言,通过神经谓词结合深度学习。它支持符号和子符号表示和推断、程序归纳、概率编程和深度学习,并结合了通用神经网络和表达式概率逻辑建模和推理。
- IJCAIPlaygol:通过玩乐学习编程
通过游戏引导的方式,学习者自发地创造任务,探索并保存其解决方案到背景知识,以实现自我的程序归纳,最终帮助解决使用者提供的任务,并可显著提高学习性能。
- MM针对进行预测的程序的推论
通过概率编程对程序归纳的扩展,实现自动概率编程综合,可以推广应用于任何合理的输入和输出,特别是文本、图像和视频数据。
- NIPS概率神经程序
我们提出了概率神经程序 —— 一个编程归纳框架,它允许灵活指定计算模型和推断算法,同时启用深度神经网络。概率神经程序将用于指定神经网络的计算图与加权非确定性选择操作符结合起来,从而既描述了一组决策,又描述了用于做出每个决策的神经网络架构。我 - ICLR使用神经程序员学习自然语言界面
本文提出一种利用弱监督下的神经网络模型来实现自然语言到程序的转换,并应用于自然语言问答数据集上,可达到与传统自然语言语义分析器相当的精度。