Mixed Logical and Probabilistic Reasoning for Planning and Explanation Generation in Robotics
The University of Auckland(奥克兰大学)
机器人在复杂的领域中帮助人类,必须在感觉运动水平和社会水平上代表知识和理性。本文所描述的架构耦合的非单调逻辑推理能力的声明性语言与概率信念修订,使机器人表示和推理的定性和定量的描述知识和程度的信念。具体来说,不完整的领域知识,包括在所有,但少数例外情况下,持有的信息,表示为一个答案集Prolog(ASP)程序。通过求解该程序获得的答案集用于推理、规划和联合解释(a)由于外源动作引起的意外动作结果和(b)从传感器输入提取的部分场景描述。对于任何给定的任务,答案集中包含的计划中的每个动作都是按概率执行的。自动识别与动作相关的域的子集,并且从传感器输入中提取的观测对在该域子集上定义的置信分布执行增量贝叶斯更新,其中高度可能的置信被提交给ASP程序。该体系结构的能力,说明在模拟和移动机器人的上下文中的机器人服务员在餐厅的餐厅。
2015-08-01 cs.AI cs.LO cs.RO
Towards Learning Instantiated Logical Rules from Knowledge Graphs
Newcastle University(纽卡斯尔大学)
从知识图谱(KG)有效地诱导高水平的可解释的知识是一项重要但具有挑战性的任务,其有益于许多下游应用。在这项工作中,我们提出了GPFL,概率规则学习器优化挖掘实例化的一阶逻辑规则从KG。实例化规则包含从KG提取的常量。与不包含常量的抽象规则相比,实例化规则能够更详细地解释和表达概念。GPFL采用了一种新的两阶段规则生成机制,首先将提取的路径概括为非循环抽象规则的模板,直到达到一定程度的模板饱和度,然后将生成的模板专门化为实例化规则。与现有的作品,地面每一个实例化挖掘规则的评估,GPFL共享接地结构相似的规则集体评估。此外,我们揭示了过度拟合规则的存在,它们对预测性能的影响,以及过滤过度拟合规则的简单验证方法的有效性。通过对公共基准数据集的广泛实验,我们表明GPFL 1。显著减少了评估实例化规则的运行时间; 2.)发现比现有作品更多的质量实例化规则; 3.)通过经由验证去除过拟合规则来提高学习规则的预测性能; 4.)在知识图谱完成任务方面与最先进的基线相比具有竞争力。
2020-05-15 cs.AI cs.CL cs.LG
Structured Knowledge Representation for Image Retrieval
Politecnico di Bari(巴里理工大学)
我们提出了一个结构化的方法来检索图像的内容的问题,并提出了一个描述逻辑,已被设计用于包含复杂对象的图像的语义索引和检索。与其他方法一样,我们从图像分析提取的低级特征开始,以检测和表征图像中的区域。然而,与基于特征的方法相比,我们提供了一种语法来描述分割区域作为基本对象和复杂对象作为基本对象的组合物。然后,我们介绍了一个同伴的扩展语义定义推理服务,如检索,分类和包容。这些服务可以用于精确和近似匹配,使用相似性度量。使用我们的逻辑方法作为一个正式的规范,我们实现了一个完整的客户端-服务器的图像检索系统,它允许用户提出查询草图和查询的例子。一组实验已经进行了一个测试平台上的图像,以评估系统的检索能力相比,专家用户的排名。结果采用一个完善的质量措施借用文本信息检索。
2011-06-30 cs.AI
Symbolic Rule Extraction from Attention-Guided Sparse Representations in Vision Transformers
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出从视觉转换器中提取可执行逻辑程序的方法,通过稀疏概念层和逻辑程序生成算法提升模型的可解释性和可验证性。
2025-05-10 cs.AI cs.CV
ERIC: Extracting Relations Inferred from Convolutions
Fujitsu Laboratories of Europe LTD(欧洲富士通实验室有限公司)
我们的主要贡献是表明,在卷积神经网络的多层内核的行为可以近似使用逻辑程序。所提取的逻辑程序产生与原始模型的精确度相关的精确度,尽管有一些信息损失,特别是当多个层的近似被链接在一起或当较低层被量化时。我们还表明,提取的程序可以用作进一步理解CNN行为的框架。具体来说,它可以用来识别值得深入检查的关键内核,也可以识别逻辑规则形式的与其他内核的关系。最后,我们对从最后一个卷积层中提取的规则进行了初步的定性评估,并表明所识别的内核是象征性的,因为它们对类似图像集的反应强烈,这些图像集有效地将输出类划分为具有不同特征的子类。
2020-10-19 cs.AI cs.LG cs.LO
Incremental, inconsistency-resilient reasoning over Description Logic Abox streams
Departement of Computer Science, KU Leuven Kulak(计算机科学系,KU莱顿学院)
本文提出了一种增量式、不一致容忍的描述逻辑ABox流推理方法,通过滑动窗口和优先修复语义解决高速、实时和噪声数据流的推理挑战。
2026-03-02 cs.AI cs.LO
Neuro-Symbolic Recommendation Model based on Logic Query
Huzhou University(湖州师范学院);Zhejiang Province Key Laboratory of Smart Management and Application of Modern Agricultural Resources(浙江省现代农业资源智慧管理与应用重点实验室);Guizhou University(贵州大学);Guizhou Academy of Sciences(贵州科学院)
提出一种基于逻辑查询的神经符号推荐模型,将用户历史交互转化为逻辑表达式并通过神经网络模块化逻辑运算和隐式逻辑编码器进行推荐预测,在三个数据集上优于现有浅层、深度、会话和推理模型。
2023-09-14 cs.AI cs.IR
TLogic: Temporal Logical Rules for Explainable Link Forecasting on Temporal Knowledge Graphs
Siemens AG(西门子股份公司);Ludwig Maximilian University of Munich(慕尼黑大学)
传统的静态知识图谱将关系数据中的实体建模为节点,由特定关系类型的边连接。然而,信息和知识不断演变,出现了时间动态,预计会影响未来的局势。在时间知识图谱中,通过为每条边配备时间戳或时间范围来将时间信息集成到图中。基于嵌入的方法已经被引入到时态知识图谱的链接预测中,但是它们大多缺乏可解释性和可理解的推理链。特别是,它们通常不被设计为处理链路预测-涉及未来时间戳的事件预测。我们解决的任务,时间知识图谱的链接预测,并介绍TLogic,一个可解释的框架,是基于时间的逻辑规则提取通过时间随机游走。我们将TLogic与三个基准数据集上的最新基线进行了比较,并显示出更好的整体性能,同时我们的方法还提供了保持时间一致性的解释。此外,与大多数最先进的基于嵌入的方法相比,TLogic在归纳设置中工作得很好,其中已经学习的规则被转移到具有公共词汇表的相关数据集。
2022-03-09 cs.AI cs.LG
Extract ABox Modules for Efficient Ontology Querying
University of Miami(迈阿密大学)
从本体ABox中提取逻辑独立的片段可以用于解决查询具有大ABox的本体的易处理性问题。在本文中,我们提出了一个正式的定义的ABox模块,这样它保证了完整的保存事实的一组给定的个人,因此可以独立的w.r.t.本体TBox。使用这种类型的ABox模块,隔离或分布式(并行)ABox推理变得可行,并且可以从本体ABoxes获得更有效的数据检索。为了计算这样的ABox模块,我们提出了一个理论方法,也是一个近似的$\mathcal{SHIQ}$本体。对不同类型本体的模块近似评价表明,平均而言,提取的ABox模块明显小于整个ABox,基于ABox模块的本体推理时间可以得到显著提高。
2014-06-11 cs.AI
Exchanging OWL 2 QL Knowledge Bases
PUC Chile(智利天主教大学);Univ. of Oxford(牛津大学);Free U. of Bolzano(波扎诺自由大学);TU Vienna(维也纳工业大学);Italy(意大利);Austria(奥地利)
知识库交换是数据交换和知识表示领域中的一个重要问题,其中人们感兴趣的是在通过映射连接的源知识库和目标知识库之间交换信息。在本文中,我们研究这个基本问题的知识库和映射表示在OWL 2 QL,配置文件的OWL 2的基础上的描述逻辑DL-Lite_R。更具体地说,我们考虑的问题,计算普遍的解决方案,确定为最理想的翻译之一,要物化,和计算UCQ表示,最佳地捕捉在目标TBox的信息,可以从源TBox和映射的联合查询的工会的手段。对于前者,我们提供了一种新的自动机理论的技术,和复杂性的结果,范围从NP到EXPTIME,而对于后者,我们显示NLOGSPACE的完整性。
2013-07-01 cs.AI
A logic-based relational learning approach to relation extraction: The OntoILPER system
Universidade Federal Rural de Pernambuco(伯南布哥州联邦农村大学);Aix-Marseille Université(艾克斯-马赛大学);Universidade Federal de Pernambuco(伯南布哥州联邦大学)
关系抽取(RelationExtraction,RE)是一种检测和描述文本中实体之间语义关系的方法,在过去的二十年里得到了广泛的关注,主要应用于生物医学领域。已经发表了许多关于使用监督机器学习技术的关系抽取的论文。这些技术中的大多数依赖于统计方法,例如基于特征和基于树核的方法。这种统计学习技术通常基于用于表示示例的命题假设空间,即,它们采用特征的属性值表示。这种表示有一些缺点,特别是在提取复杂关系时,这些关系需要更多关于所涉及实例的上下文信息,即,它不能有效地从解析树中捕获结构信息而不丢失信息。在这项工作中,我们提出了OntoILPER,一个基于逻辑的关系学习方法,关系抽取,使用归纳逻辑程序设计生成提取模型的形式,符号提取规则。OntoILPER利用了实例的丰富关系表示,这可以减轻上述缺点。建议的关系的方法似乎更适合关系抽取比统计的几个原因,我们认为。此外,OntoILPER使用领域本体,该领域本体指导背景知识生成过程并用于存储提取的关系实例。在生物医学领域的三个蛋白质-蛋白质相互作用数据集上评估了诱导提取规则。OntoILPER提取模型的性能与其他国家的最先进的RE系统进行了比较。令人鼓舞的结果似乎证明了所提出的解决方案的有效性。
2020-01-13 cs.AI cs.CL
pix2rule: End-to-end Neuro-symbolic Rule Learning
Imperial College London, United Kingdom(伦敦帝国理工学院)
人类有能力将低级视觉输入与高级符号推理无缝结合起来,通常以识别对象,学习它们之间的关系和应用规则的形式。神经符号系统的目标是为视觉处理和抽象推理分别带来一个统一的方法,以连接主义和逻辑为基础的原则。本文提出了一种完整的神经符号方法,用于将图像处理为对象,以端到端的方式学习关系和逻辑规则。主要贡献是深度学习架构中的可区分层,可以通过修剪和阈值化来提取符号关系和规则。我们评估我们的模型使用两个数据集:子图同构任务的符号规则学习和图像分类域的复合关系的学习对象,关系和规则。我们证明了我们的模型超越了最先进的符号学习器,并且优于深度关系神经网络架构。
2022-02-28 cs.AI cs.LG
Hiérarchisation des règles d'association en fouille de textes
关联规则提取是一种广泛应用的数据采掘方法。然而,这种方法的限制之一来自于大量的提取规则和人类专家处理这些规则的全部的难度。我们建议解决这个问题的结构的规则成层次。因此,专家可以探索规则,从一个规则访问另一个更一般的规则,当我们在层次结构中提升时,另一方面,或更具体的规则。规则分为两个层次。全局级的目标是从提取的规则集合中构建层次结构。因此,我们定义了第一种类型的规则subsomption依赖于伽罗瓦格。第二个层次是对每一条规则进行局部和更详细的分析。它为给定的规则生成一组泛化规则,这些规则被构造成局部层次结构。这就引出了第二种类型的subsomption的定义。该子概念来源于归纳逻辑程序设计,并集成了一个术语模型。
2005-10-14 cs.AI cs.IR
Sea-cret Agents: Maritime Abduction for Region Generation to Expose Dark Vessel Trajectories
EpochGeo
本文提出结合溯因推理、逻辑程序设计与规则学习的海事暗船定位方法,在接近完全召回的同时比机器学习方法所需搜索区域更小。
2025-02-06 cs.AI cs.LG cs.LO
Better Later Than Sooner: Neuro-Symbolic Knowledge Graph Construction via Ontology-grounded Post-extraction Correction
University of Edinburgh, UK(爱丁堡大学);Samsung AI Center, Cambridge, UK(三星人工智能中心)
提出一种神经符号框架,通过后提取校正解决LLM提取知识图谱时的本体不一致问题,减少token使用并提升图谱一致性。
2026-09-09 cs.AI cs.LG
Fact or Fiction? Improving Fact Verification with Knowledge Graphs through Simplified Subgraph Retrievals
University of Oslo(奥斯陆大学)
针对自然语言处理中事实验证的难题,研究提出基于知识图谱的高效声明验证方法,通过将证据检索从微调语言模型简化为逻辑检索,在FactKG数据集上实现了更低计算资源消耗与更高测试集准确率。
2024-08-14 cs.AI cs.CL cs.LG
Neurosymbolic AI for Reasoning over Knowledge Graphs: A Survey
本文综述知识图谱上的神经符号推理方法,提出三类分类体系并系统比较现有方案,同时总结局限与未来方向。
2024-05-16 cs.AI cs.LO stat.ML
One-shot Information Extraction from Document Images using Neuro-Deductive Program Synthesis
TCS Research(塔塔咨询服务公司研究院);BITS Pilani(博拉理工学院皮拉尼校区)
我们在本文中的兴趣是在满足快速增长的工业需求信息抽取从图像的文件,如发票,账单,收据等,在实践中,用户能够提供一个非常小的数量的示例图像标记的信息,需要提取。我们采用了一种新的两级神经演绎方法,其中(a)我们使用预先训练的深度神经网络来填充关系数据库,其中包含有关每个文档图像的事实;以及(b)我们使用一种演绎推理形式,与过渡系统的元解释学习相关,以学习提取程序:给定使用由神经检测器识别的实体和关系定义的特定于任务的转换以及少量实例(通常是1个,有时是2个)的图像和期望的输出,资源受限的元解释器通过逻辑演绎构造实例的证明;从这样的证明中容易地合成提取每个期望实体的一组逻辑程序。在大多数情况下,一个单独的训练样本连同其自身的噪声克隆足以学习一个在测试文档上很好地推广的程序集,此时每个实体的值由其程序集上的多数投票决定。我们展示了我们的两级神经演绎方法公开可用的数据集(“专利”和“医生的账单”),并描述了它在现实生活中的工业问题的使用。
2019-06-06 cs.AI cs.LG cs.LO
CoDEx: A Comprehensive Knowledge Graph Completion Benchmark
University of Michigan(密歇根大学)
我们提出了CoDEx,一组从Wikidata和Wikipedia中提取的知识图谱完成数据集,在范围和难度水平上改进了现有的知识图谱完成基准。就范围而言,CoDEx包括三个大小和结构不同的知识图谱,实体和关系的多语言描述,以及数万个看似合理但经验证为错误的硬否定三元组。为了表征CoDEx,我们提供了全面的实证分析和基准测试实验。首先,我们根据逻辑关系模式分析每个CoDEx数据集。接下来,我们报告CoDEx上五个广泛调整的嵌入模型的基线链接预测和三重分类结果。最后,我们将CoDEx与流行的FB 15 K-237知识图谱完成数据集区分开来,表明CoDEx涵盖了更多样化和可解释的内容,并且是一个更困难的链接预测基准。数据、代码和预训练模型可在https://bit.ly/2EPbrJs上获得。
2020-10-06 cs.AI cs.CL cs.IR
Logic Explanation of AI Classifiers by Categorical Explaining Functors
University of Padova(帕多瓦大学);Scuola Normale Superiore(正常大学);University College London(伦敦大学学院);Università della Svizzera Italiana(意大利瑞士大学)
本文提出基于范畴论的解释函子,以确保AI分类器解释的一致性和保真度,通过逻辑规则生成更可靠的解释。
2025-03-20 cs.AI
Beyond Logical Forms: LLM-Extracted Patterns for Fallacy Classification
提出利用大语言模型从谬误示例中归纳提取抽象逻辑结构与上下文线索的模式,用于谬误分类,在多个实验设置中显著优于零样本基线并跨数据集验证泛化性。
2026-06-26 cs.AI cs.CL
When Can a Machine Trust a Statute? A Survival Certificate for Machine-Extracted Legal Logic
JudicialMind(司法思维机构)
该研究针对机器解析法规存在分歧的问题,为机器提取法律逻辑的Duquenne-Guigues蕴含基构建生存性证明,在两类法规数据集上验证了其可用性,同时揭示其脆弱性并发布相关资源。
2026-09-03 cs.AI cs.CL
Towards information-rich, logical text generation with knowledge-enhanced neural models
Northwestern Polytechnical University(西北工业大学);Microsoft Research(微软研究院)
文本生成系统在深度学习技术的推动下取得了巨大的进步,并在生活中得到了广泛的应用。然而,现有的端到端神经模型存在倾向于生成无信息和通用文本的问题,因为它们不能将输入上下文与背景知识结合起来。为了解决这一问题,许多研究者开始考虑在文本生成系统中结合外部知识,即知识增强的文本生成。知识增强文本生成的挑战包括如何从大规模的知识库中选择合适的知识,如何阅读和理解提取的知识,以及如何将知识整合到生成过程中。本文综述了知识增强文本生成系统的研究进展,并提出了一些有待解决的问题和研究方向。
2020-03-02 cs.AI
Markov Logic Networks for Natural Language Question Answering
我们的目标是使用从科学教科书中自动提取的知识来回答初级科学问题,这些知识以一阶逻辑的子集表示。考虑到这些自动提取的规则的不完整性和噪声性,马尔可夫逻辑网络(MLN)似乎是一个自然的模型,但利用MLN的确切方法并不明显。我们研究了三种方法应用MLN到我们的任务。在第一种方法中,我们简单地使用提取的科学规则直接作为MLN子句。与典型的MLN应用程序不同,我们的域具有漫长而复杂的规则,导致无法管理的接地数量。我们利用硬约束中存在的结构来提高易处理性,但该公式仍然无效。在第二种方法中,我们将科学规则解释为描述原型实体,从而将规则直接映射到接地MLN断言,然后使用现有的实体解析方法对其常量进行聚类。这大大简化了网络,但仍然存在脆性。最后,我们的第三种方法,称为Praline,使用MLN来对齐词汇元素,并定义和控制在此任务中应如何执行推理。我们的实验,展示了15\%的准确率提升和10倍的运行时间减少,表明Praline的灵活性和不同的推理语义是一个更好的适合自然语言问答任务。
2015-07-10 cs.AI cs.CL
Disentangling Fine-Tuning from Pre-Training in Visual Captioning with Hybrid Markov Logic
University of Memphis(孟菲斯大学);Adobe Research(奥多比研究院)
本文提出基于 HMLN 的概率建模与推理方法,用于量化训练样本对生成描述的影响,并在 MSCOCO 上揭示使用 LLM 的 BLIP2 受微调影响更小。
2025-03-18 cs.AI cs.CV
Medical Knowledge Embedding Based on Recursive Neural Network for Multi-Disease Diagnosis
Harbin Institute of Technology(哈尔滨工业大学);Second Affiliated Hospital of Harbin Medical University(哈尔滨医科大学附属第二医院)
基于一阶逻辑的知识表示捕捉了自然语言的丰富性,并支持多种概率推理模型。虽然符号表示能够实现具有统计概率的定量推理,但是当机器学习模型执行数值运算时,难以利用符号表示。相反,知识嵌入(即,高维连续向量)是一种既能保留知识的语义信息又能建立知识之间可量化关系的复杂推理方法。本文提出了递归神经知识网络(RNNN),它将基于一阶逻辑的医学知识与递归神经网络相结合,用于多疾病诊断。在从人工标注的中国电子病历(CEMR)中有效训练RNN后,学习面向诊断的知识嵌入和权重矩阵。实验结果表明,RNN的诊断准确率优于一些经典的机器学习模型和马尔可夫逻辑网络(MLN)。结果还表明,从CEMR中提取的证据越明确,所获得的性能越好。随着训练次数的增加,RNN逐渐表现出对知识嵌入的解释。
2018-09-22 cs.AI
The Actias system: supervised multi-strategy learning paradigm using categorical logic
Instituto Superior de Engenharia de Lisboa(里斯本高等工程学院);Universidade Nova de Lisboa(新里斯本大学)
智能系统开发中最困难的问题之一是底层知识库的构建。因此,开发这类系统的进展速度与知识库的组装速度及其质量直接相关。我们试图解决知识获取的问题,为商业信息系统,开发一个监督的多策略学习范式。这种模式的核心是协作数据采掘策略,其中专家组使用数据挖掘过程进行协作,监督获取从异构机器学习数据模型中提取的新知识。Actias系统是我们实现这一模式的方法。它是将基于图形逻辑的草图语言应用于知识集成的结果。该系统是一个数据采掘协同工作场所,其中的信息系统知识库是一个代数结构。它是将背景知识与从数据模型中提取的新见解相结合的结果,这些新见解是为特定的数据建模任务生成的,并使用草图语言表示为规则。
2016-05-06 cs.AI cs.DB cs.SE
A Logic-based Approach for Recognizing Textual Entailment Supported by Ontological Background Knowledge
Universität zu Köln(科隆大学);Fraunhofer-Institut FKIE(弗劳恩霍夫FKIE研究所)
我们提出了一个新的系统识别文本蕴涵(RTE)的体系结构和评价。在RTE中,我们希望自动识别两个输入文本之间的逻辑关系的类型。特别是,我们感兴趣的是证明它们之间的蕴涵的存在。我们设想我们的系统作为一个模块化的环境,允许高覆盖率的语法和语义的文本分析结合逻辑推理。对于句法和语义分析,我们将深层语义分析与统计模型支持的浅层语义分析相结合,以提高结果的质量和准确性。对于RTE,我们使用一阶逻辑推理,采用模型理论技术和自动推理工具。该推理由自动提取的问题相关背景知识支持,并根据需要从外部源提取,例如,WordNet、YAGO和OpenCyc,或其他更多的实验源,例如,手动定义的预设解决方案,或与公理化的一般和常识知识。结果表明,来自不同来源的细粒度和一致的知识是确定结果的正确性和可追溯性的必要条件。
2013-10-18 cs.AI cs.CL cs.LO
Inferring User Preferences by Probabilistic Logical Reasoning over Social Networks
Stanford University(斯坦福大学);The Ohio State University(俄亥俄州立大学)
我们提出了一个框架来推断潜在的态度或偏好的用户进行概率一阶逻辑推理的社会网络图。我们的方法回答了关于Twitter用户的问题,比如{ \em这个用户喜欢寿司吗?}或{ \em此用户是纽约尼克斯队的球迷吗?}通过建立一个概率模型,对用户属性(用户的位置或性别)和社交网络(用户的朋友和配偶)进行推理,通过同质性(如果配偶或朋友喜欢寿司,我更有可能喜欢寿司,如果我住在纽约,我更有可能喜欢尼克斯队)等推论。该算法使用远程监督、半监督数据采集和向量空间模型从文本中提取用户属性(例如配偶、教育、位置)和偏好(喜欢和不喜欢)。然后将提取的命题送入概率推理机(我们研究马尔可夫逻辑和概率软逻辑)。我们的实验表明,概率逻辑推理显着提高属性和关系抽取的性能,并在预测用户喜欢或不喜欢,也达到了0.791的F分数,显着优于两个强基线。
2014-11-11 cs.AI cs.CL cs.LG
Innovative Thinking, Infinite Humor: Humor Research of Large Language Models through Structured Thought Leaps
Tencent QQ(腾讯QQ)
本文提出LoL框架,通过自动指令进化注入外部知识缓解知识图谱稀疏性,并结合强化学习提取推理逻辑,以提升大语言模型在幽默生成中的多跳推理、判断与生成能力。
2025-04-11 cs.AI
Exactness at Inference: A Representational Criterion for Out-of-Distribution Generalization
Faculdade de Ciências da Universidade do Porto(波尔图大学理学院);INESC TEC;Faculdade de Engenharia da Universidade do Porto(波尔图大学工程学院);LIACC
提出表示与生成机制结构等价是分布外泛化精确性的准则,约束推理而非训练,并论证应归纳精确表示而非拟合替代品。
2026-09-22 cs.AI cs.LG cs.LO
Learning implicitly in reasoning in PAC-Semantics
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Harvard SEAS(哈佛大学约翰·A·保尔森工程与应用科学学院)
我们考虑基于背景知识回答关于命题逻辑公式的查询的问题,所述背景知识部分地被显式地表示为其他公式,并且部分地被表示为从固定概率分布独立地提取的部分模糊的示例,其中查询相对于比通常更弱的语义被回答--PAC-Semantics,Valiant(2000)提出的一个新的概念--它是用例子的分布来定义的。我们描述了一个相当普遍的,有效的减少到有限版本的证明系统的决策问题(例如,有界空间树状分解、有界次数多项式演算等)从推理问题的相应版本中,其中一些背景知识没有明确地作为公式给出,只能从示例中学习。至关重要的是,我们不生成从示例中提取的知识的显式表示,因此背景知识的“学习”仅隐式完成。因此,这种方法可以利用公式作为背景知识,这些知识在分布上并不完全有效-本质上是不可知学习的模拟。
2012-09-01 cs.AI cs.DS cs.LG