利用 SATNet 学习对称规则
人工智能
2022-11-28 v2 机器学习
计算机科学中的逻辑
群论
摘要
SATNet 是一种具有自定义反向传播算法的可微约束求解器，可用作深度学习系统中的一层。它是连接深度学习与逻辑推理的一个有前景的方案。事实上，SATNet 已成功应用于仅从输入和输出对（输入以图像形式给出）中学习复杂逻辑谜题（如数独）的规则。在本文中，我们展示了如何通过利用给定但未知的逻辑谜题或更一般逻辑公式的目标规则中的对称性来改进 SATNet 的学习。我们提出 SymSATNet，它是 SATNet 的一种变体，将目标规则的给定对称性转化为对 SATNet 参数的一个条件，并要求参数具有保证该条件的特定参数形式。该要求显著减少了具有足够对称性的规则所需学习的参数数量，并使 SymSATNet 的参数学习比 SATNet 容易得多。我们还描述了一种从样本中自动发现目标规则对称性的技术。我们在数独和魔方上的实验显示了 SymSATNet 相对于基线 SATNet 的实质性改进。
引用
@article{arxiv.2206.13998,
title = {Learning Symmetric Rules with SATNet},
author = {Sangho Lim and Eun-Gyeol Oh and Hongseok Yang},
journal= {arXiv preprint arXiv:2206.13998},
year = {2022}
}
备注
27 pages, 10 figures, the first two authors contributed equally to this work, accepted at NeurIPS'22