A-NeSI：一种可扩展的概率神经符号推理近似方法
机器学习
2023-09-25 v3 人工智能
计算机科学中的逻辑
机器学习
摘要
我们研究将神经网络与符号推理相结合的问题。最近引入的概率神经符号学习(PNL)框架，如 DeepProbLog，执行指数时间精确推理，限制了 PNL 解决方案的可扩展性。我们引入近似神经符号推理(Approximate Neurosymbolic Inference, A-NeSI)：一种用于 PNL 的新框架，利用神经网络进行可扩展的近似推理。A-NeSI 1) 在不改变概率逻辑语义的情况下以多项式时间执行近似推理；2) 使用由背景知识生成的数据进行训练；3) 能够生成预测的符符号解释；4) 能够在测试时保证逻辑约束的满足，这在安全关键应用中至关重要。我们的实验表明，A-NeSI 是首个端到端解决三个具有指数组合规模增长的神经符号任务的方法。最后，我们的实验表明 A-NeSI 在不牺牲性能的情况下实现了可解释性与安全性。
引用
@article{arxiv.2212.12393,
title = {A-NeSI: A Scalable Approximate Method for Probabilistic Neurosymbolic Inference},
author = {Emile van Krieken and Thiviyan Thanapalasingam and Jakub M. Tomczak and Frank van Harmelen and Annette ten Teije},
journal= {arXiv preprint arXiv:2212.12393},
year = {2023}
}
备注
Accepted to NeurIPS 2023. 13 pages, 11 appendix pages, 7 figures