从原始数据中神经符号学习答案集程序
人工智能
2024-02-06 v8
摘要
人工智能的最终目标之一是辅助人类进行复杂决策。实现这一目标的一个有前景的方向是神经符号人工智能(Neuro-Symbolic AI)，其旨在将符号技术的可解释性与深度学习从原始数据中学习的能力相结合。然而，当前大多数方法需要人工设计的符号知识，而在考虑端到端训练时，这类方法要么局限于学习确定型程序，要么局限于训练二值神经网络。本文提出神经符号归纳学习器(NSIL)，该方法训练一个通用神经网络从原始数据中提取潜在概念，同时学习将潜在概念映射到目标标签的符号知识。我们方法的新颖之处在于一种基于神经与符号组件在训练中的表现来偏置符号知识学习的方法。我们在三个不同复杂程度的问题域（包括一个NP完全问题）上评估了NSIL。结果表明，NSIL能够学习具有表达力的知识、解决计算复杂问题，并在准确率和数据效率方面达到最先进的性能。代码与技术附录：https://github.com/DanCunnington/NSIL
引用
@article{arxiv.2205.12735,
title = {Neuro-Symbolic Learning of Answer Set Programs from Raw Data},
author = {Daniel Cunnington and Mark Law and Jorge Lobo and Alessandra Russo},
journal= {arXiv preprint arXiv:2205.12735},
year = {2024}
}
备注
Accepted to IJCAI 2023