评估 SATNet 解决符号接地问题的能力
人工智能
2023-12-20 v1 机器学习
摘要
SATNet 是一款屡获殊荣的 MAXSAT 求解器，可用于推断逻辑规则，并作为可微分层集成到深度神经网络中。此前研究表明，它能够从谜题数字图像示例中视觉化地解决数独谜题，因此被誉为在结合模式识别与逻辑推理这一长期人工智能目标方面取得的令人印象深刻的成就。在本文中，我们通过展示在缺乏将单个数独数字图像与其逻辑表示相关联的中间标签的情况下，SATNet 在视觉数独任务上完全失败（测试准确率为 0%），从而阐明了 SATNet 的能力局限。更广泛地说，这种失败可归因于其无法学习将符号分配给感知现象，即所谓的符号接地问题（symbol grounding problem），该问题长期以来一直被认为是智能体执行现实世界逻辑推理的先决条件。我们提出了一种基于 MNIST 的测试，作为符号接地问题的一个简单实例，可作为对一般可微符号求解器的健全性检查。在此测试上朴素地应用 SATNet 会导致其性能低于不具备逻辑推理能力的模型。我们报告了 SATNet 失败的原因以及如何防止这些失败。
引用
@article{arxiv.2312.11522,
title = {Assessing SATNet's Ability to Solve the Symbol Grounding Problem},
author = {Oscar Chang and Lampros Flokas and Hod Lipson and Michael Spranger},
journal= {arXiv preprint arXiv:2312.11522},
year = {2023}
}