神经符号层次规则归纳
机器学习
2021-12-28 v1 人工智能
摘要
我们提出一种高效可解释的神经符号模型来解决归纳逻辑编程（ILP）问题。该模型由一组按层次结构组织的元规则构建而成，通过学习嵌入以匹配事实与元规则的主体谓词来发明一阶规则。为实现该模型，我们专门设计了一组富有表达力的通用元规则，并证明它们生成了 Horn 子句的一个相应片段。训练期间，我们注入受控的 \pw{Gumbel} 噪声以避免局部最优，并采用可解释性正则化项进一步引导收敛至可解释规则。我们在多种任务（ILP、视觉基因组、强化学习）上针对若干最先进方法对该模型进行了实证验证。
引用
@article{arxiv.2112.13418,
title = {Neuro-Symbolic Hierarchical Rule Induction},
author = {Claire Glanois and Xuening Feng and Zhaohui Jiang and Paul Weng and Matthieu Zimmer and Dong Li and Wulong Liu},
journal= {arXiv preprint arXiv:2112.13418},
year = {2021}
}
备注
10 pages, Figures et references