可微模糊 $\mathcal{ALC}$：一种用于符号落地的神经符号表示语言
人工智能
2022-12-02 v2
摘要
神经符号计算旨在将鲁棒的神经学习与可靠的符号推理整合到单一框架中，以利用这两种看似无关（甚至矛盾）的 AI 范式的互补优势。神经符号计算的核心挑战是将神经学习与符号推理的统一表述纳入具有公共语义的单一框架，即寻求神经模型与逻辑理论之间的联合表示，该表示既能支持神经模型学习到的基本落地，又能遵循逻辑理论的语义。本文提出可微模糊 （DF-）来承担这一角色，作为一种具有所需语义的神经符号表示语言。DF- 将描述逻辑 与神经模型统一用于符号落地；特别地，它通过可微概念与角色嵌入将 知识库注入神经模型。我们针对神经模型学习到的落地必须在语义上与 知识库一致这一约束定义了分层损失。并且我们发现，仅通过最大化可满足性来捕获落地中的语义无法合理地修正落地。我们进一步为 DF 定义了基于规则的损失以适应符号落地问题。实验结果表明，带有基于规则损失的 DF- 能以无监督学习方式提升图像目标检测器的性能，即使在低资源情况下也是如此。
引用
@article{arxiv.2211.12006,
title = {Differentiable Fuzzy $\mathcal{ALC}$: A Neural-Symbolic Representation Language for Symbol Grounding},
author = {Xuan Wu and Xinhao Zhu and Yizheng Zhao and Xinyu Dai},
journal= {arXiv preprint arXiv:2211.12006},
year = {2022}
}