离散-连续域中的神经概率逻辑编程
人工智能
2023-03-15 v2 机器学习
计算机科学中的逻辑
编程语言
符号计算
摘要
神经符号 AI（NeSy）允许神经网络以逻辑形式利用符号背景知识。已被证明有助于有限数据机制下的学习，并促进分布外数据的推理。概率型 NeSy 侧重于将神经网络与逻辑和概率论相集成，这额外允许在不确定性下学习。当前概率型 NeSy 系统（如 DeepProbLog）的一个主要局限是它们仅限于有限概率分布，即离散随机变量。相比之下，深度概率编程（DPP）擅长建模和优化连续概率分布。因此，我们引入 DeepSeaProbLog，一种将 DPP 技术融入 NeSy 的神经概率逻辑编程语言。这样做实现了在逻辑约束下对离散与连续概率分布的推理与学习的支持。我们的主要贡献是：1) DeepSeaProbLog 的语义及其相应的推理算法，2) 一个被证明渐近无偏的学习算法，以及 3) 一系列说明我们方法通用性的实验。
引用
@article{arxiv.2303.04660,
title = {Neural Probabilistic Logic Programming in Discrete-Continuous Domains},
author = {Lennert De Smet and Pedro Zuidberg Dos Martires and Robin Manhaeve and Giuseppe Marra and Angelika Kimmig and Luc De Raedt},
journal= {arXiv preprint arXiv:2303.04660},
year = {2023}
}
备注
27 pages, 9 figures