持续推理：基于持续学习的神经符号人工智能中的非单调推理

尽管在相似性推理方面投入巨大且近期取得了令人印象深刻的进展，深度学习在更复杂的推理形式（如非单调推理和常识推理）上仍然举步维艰。非单调性是非经典推理的一种特性，常见于常识推理中，即推理系统（不同于经典逻辑）被允许得出可能在后续新信息出现时被撤回的暂时性结论。逻辑张量网络（LTN）等神经符号系统已被证明能有效赋予深度神经网络推理能力。在本文中，我们展示了通过将神经符号系统与持续学习方法相结合，LTN 在处理非单调推理任务时可获得更高的准确率。持续学习通过采用带有回忆的从知识与数据学习的课程安排被引入 LTN。我们将此过程称为持续推理（Continual Reasoning），一种将神经符号系统应用于推理任务的新方法论。持续推理被应用于一个典型的非单调推理问题以及其他推理示例。我们进行了实验以比较和分析不同课程选择可能对整体学习与推理结果产生的影响。结果表明，在典型非单调推理问题上取得了显著改进，并且所提方法在统计关系学习示例上展现出良好前景。