基于 SATNet 的符号接地技术
人工智能
2021-06-22 v1 机器学习
机器学习
摘要
许多专家认为人工智能的未来受限于该领域将符号逻辑推理整合进深度学习架构的能力。近期提出的可微 MAXSAT 求解器 SATNet 在与传统神经网络集成并解决视觉推理问题方面取得了突破，例如它可仅从图像样例中学到数独的规则。尽管取得成功，SATNet 被证明屈服于神经符号系统中称为符号接地问题（Symbol Grounding Problem）的关键挑战：若无显式监督（"标签泄漏"）则无法将视觉输入映射到符号变量。本工作中，我们提出一种自监督预训练流程，使 SATNet 克服该局限，从而将 SATNet 架构可解问题的类别拓宽至完全无中间标签可用的数据集。我们证明即便在阻止任何标签泄漏的更困难问题设定下，我们的方法仍可使 SATNet 达到完全准确率。我们还引入一种校对（proofreading）方法，进一步提升了 SATNet 架构的性能，在视觉数独（Visual Sudoku）上超越了当前最优（state-of-the-art）。
引用
@article{arxiv.2106.11072,
title = {Techniques for Symbol Grounding with SATNet},
author = {Sever Topan and David Rolnick and Xujie Si},
journal= {arXiv preprint arXiv:2106.11072},
year = {2021}
}
备注
Code available at https://github.com/SeverTopan/SATNet