神经逻辑类比学习

字母串类比是一项重要的类比学习任务，对人类而言似乎容易，对机器却极具挑战。当前解决字母串类比的方法背后的主要思想是设计启发式规则以提取类比结构并构建类比映射。然而，一个关键问题在于难以建立一套全面且穷尽的类比结构来充分刻画类比的微妙之处。这一问题使得当前方法无法处理复杂的字母串类比问题。本文提出神经逻辑类比学习（Noan），这是一种由可微逻辑推理驱动的动态神经架构，用于解决类比问题。每个类比问题被转换为由逻辑变量和基本逻辑运算（与、或、非）组成的逻辑表达式。更具体地，Noan 将逻辑变量学习为向量嵌入，并将每个逻辑运算学习为一个神经模块。以此方式，该模型构建起融合神经网络与逻辑推理的计算图，以捕捉输入字母串的内部逻辑结构。类比学习问题随之成为逻辑表达式的真/假判定问题。实验表明，我们基于机器学习的 Noan 方法在标准字母串类比基准数据集上优于最先进的方法。