用欧拉神经网络学习三段论
机器学习
2020-07-21 v2 人工智能
机器学习
摘要
传统神经网络将一切表示为向量，并能在某种程度上近似子集逻辑推理。由于基本逻辑关系更好地由区域间的拓扑关系表示，我们提出了一种新颖的神经网络，将一切表示为球，并能够学习作为欧拉图的拓扑配置。由此得名欧拉神经网络（ENN）。球的中心向量是一个可继承传统神经网络表示能力的向量。ENN 区分球之间的四种空间状态，即不相交、部分重叠、包含于、逆包含于。在每种状态内定义理想值以高效推理。一种带有六个修正空间单元（ReSU）的新型反向传播算法可优化表示逻辑前提的欧拉图，并从中推导出逻辑结论。与传统神经网络相比，ENN 能精确表示三段论全部 24 种不同结构。我们创建了两大数据集：一个从 WordNet-3.0 提取，覆盖所有类型的三段论推理；另一个从 DBpedia 提取所有亲属关系。实验结果证实了 ENN 在逻辑表示与推理上的优越能力。数据集与源代码可应要求提供。
引用
@article{arxiv.2007.07320,
title = {Learning Syllogism with Euler Neural-Networks},
author = {Tiansi Dong and Chengjiang Li and Christian Bauckhage and Juanzi Li and Stefan Wrobel and Armin B. Cremers},
journal= {arXiv preprint arXiv:2007.07320},
year = {2020}
}
备注
16 pages, 6 figures