面向神经符号推理和松弛的概率归纳逻辑编程
原文中文,约300字,阅读约需1分钟。发表于: 。本研究解决了现有归纳逻辑编程方法无法从带有概率性的背景知识中学习程序的问题。提出的Propper方法结合了神经符号推理、连续的假设选择标准和假设约束松弛,能够在噪声图像中从仅8个示例中学习程序。研究表明,Propper优于传统二进制ILP和图神经网络等统计模型。
dPASP是一种新的神经符号推理框架,支持离散概率模型和常识推理。它使用神经谓词和概率选择进行基于梯度的学习。该软件包提供了推理和学习功能,并对用户知识要求较低。