通过归纳反思提高神经符号推理不一致性的效率
人工智能
2025-02-11 v2 机器学习
摘要
神经符号(NeSy)AI可视为类人双过程认知的类比，分别用神经网络建模直觉系统1，用符号推理建模算法系统2。然而，对于复杂学习目标，NeSy系统常常生成与领域知识不一致的输出，这在纠正方面存在挑战。灵感来自人类认知反思(Cognitive Reflection)，即及时检测我们直觉响应中的错误，并通过调用系统2推理来纠正，我们提出通过基于归纳学习(ABL)框架引入归纳反思(ABL-Refl)来改进NeSy系统。ABL-Refl利用领域知识在训练期间对归纳反思向量进行建构，该向量随后可以标记神经网络输出中的潜在错误，并在推理期间通过归纳来纠正并生成一致的输出。与之前的ABL实现相比，ABL-Refl在效率方面具有显著优势。实验表明，ABL-Refl在准确率上优于最先进的NeSy方法，同时以更少的训练资源实现卓越准确率并提高效率。
引用
@article{arxiv.2412.08457,
title = {Efficient Rectification of Neuro-Symbolic Reasoning Inconsistencies by Abductive Reflection},
author = {Wen-Chao Hu and Wang-Zhou Dai and Yuan Jiang and Zhi-Hua Zhou},
journal= {arXiv preprint arXiv:2412.08457},
year = {2025}
}
备注
Accepted by AAAI 2025, Oral