逻辑张量网络增强生成式对抗网络
机器学习
2026-01-08 v1 人工智能
计算机科学中的逻辑
摘要
本文提出一种新型框架——逻辑张量网络增强生成式对抗网络（LTN-GAN），通过引入逻辑张量网络（LTN）在样本生成过程中强制执行领域特定的逻辑约束。尽管生成式对抗网络（GAN）在生成逼真数据方面取得了显著成果，但往往缺乏机制来整合先验知识或确保逻辑一致性，限制了其在需要遵循规则的领域的应用。LTN 提供了一种原则化的方法，将一阶逻辑与神经网络集成，使模型能够对逻辑约束进行推理并满足其条件。通过将 GAN 在逼真数据合成方面的优势与 LTN 在逻辑推理方面的能力相结合，我们洞察了逻辑约束如何影响生成过程，同时提升了生成样本的多样性和逻辑一致性。我们在多个数据集上对 LTN-GAN 进行评估，包括合成数据集（高斯分布、网格、环形）和 MNIST 数据集，结果表明该模型在满足预定义逻辑约束方面显著优于传统 GAN，同时保持生成样本的质量和多样性。这一工作凸显了神经符号方法在知识密集型领域增强生成模型的潜力。
引用
@article{arxiv.2601.03839,
title = {Logic Tensor Network-Enhanced Generative Adversarial Network},
author = {Nijesh Upreti and Vaishak Belle},
journal= {arXiv preprint arXiv:2601.03839},
year = {2026}
}
备注
In Proceedings ICLP 2025, arXiv:2601.00047