在准自然语言中进行推理的符号规则学习
机器学习
2021-11-24 v1 人工智能
摘要
符号推理，即基于规则的符号操纵，是人类智能的标志。然而，在自动化定理证明等形式化领域之外，基于规则的系统在与基于学习的系统竞争时成功有限。我们假设这是由于过去尝试中规则的手动构建所致。在这项工作中，我们探讨如何构建一个能够用自然语言输入进行推理但无需手动构建规则的规则系统。我们提出 MetaQNL，一种可表达形式逻辑与自然语言句子的“准自然”语言，以及 MetaInduce，一种从由问题与答案组成的训练数据中（无论是否带有中间推理步骤）归纳出 MetaQNL 规则的学习算法。我们的方法在多个推理基准上达到了最先进的准确率；它用少得多的数据学习紧凑的模型，并不仅产生答案还产生可检验的证明。此外，在真实世界的形态学分析基准上的实验表明，我们的方法能够处理噪声与歧义。代码将在 https://github.com/princeton-vl/MetaQNL 发布。
引用
@article{arxiv.2111.12038,
title = {Learning Symbolic Rules for Reasoning in Quasi-Natural Language},
author = {Kaiyu Yang and Jia Deng},
journal= {arXiv preprint arXiv:2111.12038},
year = {2021}
}