神经符号系统的软化符号接地
人工智能
2024-03-04 v1 机器学习
摘要
神经符号学习通常由两个分离的世界组成，即神经网络训练和符号约束求解，其成功取决于符号接地，这是人工智能中的一个基本问题。本文提出了一种新颖的软化符号接地过程，弥合了两个世界之间的差距，从而形成了一个有效且高效的神经符号学习框架。技术上，该框架的特点包括：(1) 将符号解状态建模为玻尔兹曼分布，避免了昂贵的状态搜索，并促进了网络训练与符号推理之间的互利互动；(2) 一种利用投影和 SMT 求解器的新 MCMC 技术，能够从不连通的符号解空间中进行高效采样；(3) 一种退火机制，能够逃脱陷入次优符号接地的困境。对三个代表性神经符号学习任务的实验表明，由于其卓越的符号接地能力，我们的框架成功解决了远超现有提案前沿的问题。
引用
@article{arxiv.2403.00323,
title = {Softened Symbol Grounding for Neuro-symbolic Systems},
author = {Zenan Li and Yuan Yao and Taolue Chen and Jingwei Xu and Chun Cao and Xiaoxing Ma and Jian Lü},
journal= {arXiv preprint arXiv:2403.00323},
year = {2024}
}
备注
Published as a conference paper at ICLR 2023. Code is available at https://github.com/SoftWiser-group/Soften-NeSy-learning