On the Semantic Relationship between Probabilistic Soft Logic and Markov Logic
Arizona State University(亚利桑那州立大学)
马尔可夫逻辑网络(MLN)和概率软逻辑(PSL)是统计关系学习中广泛应用的形式主义,统计关系学习是人工智能中的一个新兴领域,它涉及将逻辑和统计AI相结合。尽管他们很相似,但他们的关系还没有正式说明。本文从逻辑的角度描述了它们之间的精确语义关系。这通过首先扩展模糊逻辑以允许权重来促进,这也可以被视为PSL的概括,然后将该概括与MLN相关联。我们观察到PSL和MLN之间的关系类似于模糊逻辑和布尔逻辑之间的已知关系,而且PSL的权方案本质上是MLN的权方案对于多值设置的推广。
2016-06-28 cs.AI
Scaling the weight parameters in Markov logic networks and relational logistic regression models
Ludwig-Maximilians-Universität München(慕尼黑大学);Institut für Informatik(信息学研究所)
该研究针对统计关系AI中的马尔可夫逻辑网络与关系逻辑回归模型,探究权重参数随域大小缩放的特性,证明后者渐近行为可由参数透明控制并给出对应算法,同时分析了缩放的适用场景与未来研究方向。
2024-05-16 cs.AI cs.LG cs.LO
On the verification of Embeddings using Hybrid Markov Logic
University of Memphis(孟菲斯大学);Adobe Research(奥多比研究院)
针对现有嵌入验证仅能通过任务准确率评估的局限,提出基于混合马尔可夫逻辑网络的框架,结合符号知识定义属性并学习参数,将验证编码为混合整数线性规划求解,在多场景验证了通用性。
2023-12-13 cs.AI cs.LG
A Delayed Column Generation Strategy for Exact k-Bounded MAP Inference in Markov Logic Networks
本文介绍了马尔可夫逻辑网络中MAP推理的一种参数化形式--k-有界MAP推理。k-有界MAP状态是具有至多k个隐藏(非证据)谓词的活动基原子的MAP状态。我们提出了一种新的延迟列生成算法,并提供了经验证据,该算法有效地计算有意义的现实世界的图匹配问题的k有界MAP状态。其基本思想是,与其解决一个大的优化问题,解决几个小的优化问题通常更有效。
2012-03-15 cs.AI
Improving the Accuracy and Efficiency of MAP Inference for Markov Logic
Institute for Collaborating and Communicating Systems(协作与交流系统研究所);School of Informatics(信息学院);University of Edinburgh(爱丁堡大学)
在这项工作中,我们提出了切割平面推理(CPI),统计关系学习的最大后验概率(MAP)推理方法。它以马尔可夫逻辑为框架,并受到切割平面方法的启发,可以被视为一种Meta算法,该算法实例化大型复杂马尔可夫网络的小部分,然后使用传统的MAP方法解决这些问题。我们评估CPI的两个任务,语义角色标签和联合实体解析,同时插入两种不同的MAP推理方法:当前选择的方法在马尔可夫逻辑,MaxWalkSAT和线性规划的MAP推理。我们观察到,当与CPI一起使用时,这两种方法都比单独使用时要快得多。另外,CPI提高了MaxWalkSAT的精度,保持了线性规划的精确性。
2012-06-13 cs.AI
Lifted Inference in 2-Variable Markov Logic Networks with Function and Cardinality Constraints Using Discrete Fourier Transform
Czech Technical University in Prague(布拉格捷克技术大学)
在本文中,我们证明了在2-变量马尔可夫逻辑网络(MLNs)的基数和功能的约束下的推理是域提升的。为了获得这一结果,我们使用现有的域提升算法进行加权一阶模型计数(Van den Broeck等人,KR 2014),并对与MLN相关的某些分布进行离散傅立叶变换。
2020-07-16 cs.AI cs.LO
Quantified Markov Logic Networks
Cardiff University(卡迪夫大学);University of Bremen(不来梅大学);KU Leuven(鲁汶大学)
马尔可夫逻辑网络(MLN)非常适合于表达诸如“吸烟者以高概率认识另一吸烟者”的统计数据,但不适合于表达诸如“存在认识大多数其他吸烟者的吸烟者”的陈述,这对于建模(例如,社交网络中的影响者)是必要的。为了克服这一缺点,我们研究量化的MLNs,通过引入统计全称量词来概括MLNs,允许以原则性的方式表达后一种类型的统计数据。我们的主要技术贡献是表明,在量化的MLN,最大后验概率和边际推理的标准推理任务,可以减少到各自的MLN对应的多项式时间。
2018-08-21 cs.AI cs.LG cs.LO
Parameterisation of Reasoning on Temporal Markov Logic Networks
Léonard de Vinci Pôle Universitaire, Research Center(列奥纳多·达·芬奇大学中心研究中心);Conservatoire National des Arts et Métiers(法国国立工艺学院)
我们的目标是提高推理不一致和不确定的数据。我们专注于知识图谱数据,随着时间间隔的延长,以指定其有效性,正如在历史科学中经常发现的那样。我们提出了有效的最大后验概率推理的语义原则的新的时间马尔可夫逻辑网络(TMLN)扩展的马尔可夫逻辑网络(MLN)的不确定的时间事实和规则。我们检查全部和部分时间(中)的时间公式集之间的一致性关系。然后,我们提出了一个新的时间参数语义,它可以结合几个子功能,允许使用不同的评估策略。最后,我们揭示了语义必须遵守的约束,以满足我们的原则。
2022-11-29 cs.AI cs.SI
Reinforcement Learning in Partially Observable Markov Decision Processes using Hybrid Probabilistic Logic Programs
Gulf University for Science and Technology(海湾科技大学)
我们提出了一个概率逻辑编程框架,强化学习,通过集成强化学习,在POMDP环境中,与正常的混合概率逻辑程序与概率答案集语义,这是能够表示特定领域的知识。我们正式证明了我们的方法的正确性。我们证明了在我们的方法中为强化学习问题找到策略的复杂性是NP完全的。此外,我们证明了任何强化学习问题都可以编码为具有答案集语义的经典逻辑程序。我们还表明,一个强化学习问题可以编码为SAT问题。我们提出了一个新的高层次的动作描述语言,允许POMDP的因子表示。此外,我们修改了POMDP的原始模型,使它能够区分知识生产行动和行动,改变环境。
2010-11-27 cs.AI
Quantum Enhanced Inference in Markov Logic Networks
ICFO-The Institute of Photonic Sciences(ICFO-光子科学研究所);University of Borås(博拉斯大学)
马尔可夫逻辑网络(MLN)调和了机器学习和人工智能中两个对立的学派:因果网络,它非常好地解释了不确定性,一阶逻辑,它允许形式演绎。MLN本质上是生成马尔可夫网络的一阶逻辑模板。MLN中的推理是概率性的,并且它通常通过近似方法来执行,例如马尔可夫链蒙特卡罗(MCMC)吉布斯抽样。MLN具有许多规则的对称结构,可以在一阶水平和生成的马尔可夫网络中利用。我们分析了各种提升方法产生的图形结构,并研究了量子协议在多大程度上可以用于加速吉布斯抽样与状态准备和测量方案。我们回顾了不同的方法,讨论了它们的优点,理论上的局限性,以及它们对实现的吸引力。我们发现,一个简单的应用程序最近的结果产生指数加速相比,经典的近似概率推理,从而展示了另一个例子,先进的量子资源可以证明在机器学习有用。
2016-11-24 cs.AI quant-ph stat.ML
Using Abduction in Markov Logic Networks for Root Cause Analysis
University of Mannheim(曼海姆大学);Softplant GmbH(Softplant有限公司)
IT基础设施是当今大多数业务运营的关键部分。高可用性和可靠性以及对中断的短响应时间至关重要。因此,风险管理中需要大量的工具支持和自动化来减少中断。我们提出了一种新的方法来计算在IT基础设施中观察到的故障的根本原因。我们的方法是基于马尔可夫逻辑网络的溯因。溯因的目的是根据某些背景知识为给定的观察找到一种解释。在故障诊断中,解释对应于根本原因,观察到一个组件的故障,和背景知识的依赖图扩展的潜在风险。我们应用一种方法来扩展马尔可夫逻辑网络,以进行溯因推理,这是不自然的支持,在这种形式主义。我们的方法具有很高的可重用性,并使用户没有具体的基础设施的具体知识,以获得可行的见解的情况下发生的事件。我们在一个工具中实现了该方法,并通过将其应用于示例场景来说明其适用于根本原因分析。
2015-11-18 cs.AI
Towards Log-Linear Logics with Concrete Domains
Universität Mannheim(曼海姆大学)
我们提出了$\mathcal{MEL}^{++}$(M表示马尔可夫逻辑网络)的对数线性描述逻辑$\mathcal{EL}^{++}$ -LL与具体域,名物化,和实例的扩展。我们使用马尔可夫逻辑网络(MLN),以找到最可能的,分类和连贯的$\mathcal{EL}^{++}$本体从$\mathcal{MEL}^{++}$知识库。特别是,我们开发了一种新的方法来处理具体的域(也称为datestries)通过扩展MLN的切割平面推理(CPI)算法。
2015-07-15 cs.AI
Compositional planning in Markov decision processes: Temporal abstraction meets generalized logic composition
Worcester Polytechnic Institute(伍斯特理工学院)
在马尔可夫决策过程(MDP)的层次规划中,时间抽象允许以顺序组合的形式对发生在不同时间尺度上的宏动作进行规划。在本文中,我们提出了一种新的方法,组合推理和层次规划的时态逻辑约束下的MDP。除了顺序组合,我们介绍了一种基于广义逻辑组合的策略组合:给定子任务的子策略和一个新的任务表示为子任务的逻辑组合,一个半最优的策略,这是最优的规划与只有子策略,可以通过简单地组合子策略。因此,一个综合算法的开发,以计算最优策略有效地规划与原始行动,子任务的政策,和子政策的组成,以最大限度地满足时态逻辑规格的概率。我们证明了所提出的方法的正确性和效率在随机规划的例子与一个单一的代理和多个任务规范。
2019-07-22 cs.AI math.OC
Hinge-Loss Markov Random Fields and Probabilistic Soft Logic
Stanford University(斯坦福大学);DataStax(DataStax 公司);Virginia Tech(弗吉尼亚理工大学);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校)
开发高影响力机器学习技术的一个根本挑战是平衡对丰富结构化领域建模的需求与扩展到大数据的能力。许多重要的问题领域都是结构丰富和规模庞大的,从社会和生物网络,到知识图谱和Web,再到图像、视频和自然语言。在本文中,我们介绍了两个新的形式主义建模结构化数据,并表明他们都可以捕捉丰富的结构和规模的大数据。首先,铰链损失马尔可夫随机场(HL-MRF),是一种新的概率图形模型,推广了不同的方法凸推理。我们统一了三种方法,从随机算法,概率图形模型,和模糊逻辑社区,表明这三个导致相同的推理目标。然后,我们定义HL-MRF通过概括这个统一的目标。第二种新的形式主义,概率软逻辑(PSL),是一种概率程序设计语言,使HL-MRF易于使用基于一阶逻辑的语法定义。我们介绍了一种算法,用于推断最可能的变量分配(MAP推断),这是更可扩展的比通用凸优化方法,因为它使用消息传递,以利用稀疏依赖结构。然后,我们展示了如何学习HL-MRF的参数。学习的HL-MRF与类似的离散模型一样准确,但更具可扩展性。总之,这些算法使HL-MRF和PSL能够以以前不可能的规模对丰富的结构化数据进行建模。
2017-11-17 cs.AI cs.LG stat.ML
Propositional Logic for Probing Generalization in Neural Networks
University of Amsterdam(阿姆斯特丹大学);CLCG, Rijksuniversiteit Groningen(CLCG,格罗宁根大学);ILLC, University of Amsterdam(ILLC,阿姆斯特丹大学)
本文构建命题逻辑受控任务与均衡数据集,评估 Transformers、GCN 和 LSTM 对未见逻辑运算符组合的泛化,揭示标准架构尤其难以组合性处理否定。
2025-06-10 cs.AI cs.LG
Optimal Control of Logically Constrained Partially Observable and Multi-Agent Markov Decision Processes
University of Southern California(南加州大学);University of New Mexico(新墨西哥大学)
针对自主系统的逻辑约束、部分可观测性及多智能体信息不对称问题,提出带有限线性时序逻辑约束的POMDP最优控制理论与多智能体框架,可合成兼顾高奖励与约束满足概率的策略,经案例验证有效。
2024-06-19 cs.AI cs.FL cs.SY
End-to-End Relation Extraction using Markov Logic Networks
TCS Research, Tata Consultancy Services(塔塔咨询服务公司TCS研究院);Indian Institute of Technology Bombay(印度理工学院孟买分校);Indian Institute of Technology Patna(印度理工学院巴特那分校)
端到端关系抽取的任务由两个子任务组成:i)识别实体提及及其类型以及ii)识别实体提及对之间的语义关系。识别实体提及及其类型和识别实体提及之间的语义关系是信息抽取中的两个重要问题。已经表明,为了更好的性能,有必要联合处理这两个子任务。我们提出了一种方法,同时提取实体提及和关系的句子中,通过使用马尔可夫逻辑网络(MLN)的推理。我们学习三种不同的分类器:i)局部实体分类器,ii)局部关系分类器和iii)使用局部实体分类器的预测的“流水线”关系分类器。这些分类器的预测可能彼此不一致。我们表示这些预测以及一些领域的知识,使用加权的一阶逻辑规则在MLN和执行联合推理的MLN,以获得最小的不一致的全球输出。ACE(自动内容提取)2004数据集上的实验表明,我们的联合提取方法使用MLN优于单独的分类器的基线。我们的端到端的关系抽取性能优于ACE 2004数据集上报告的3个结果中的2个。
2017-12-04 cs.AI
Scaling Inference for Markov Logic with a Task-Decomposition Approach
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
出于在大规模知识库建设的应用,我们研究了一个复杂的统计推理框架称为马尔可夫逻辑网络(MLNs)的问题。我们的方法,费利克斯,使用拉格朗日松弛的思想,从数学规划分解成更小的任务,同时保留联合推理性能的原始MLN的程序。其优点是,我们可以使用高度可扩展的专用算法来完成分类和共指等常见任务。我们提出了一个架构,支持拉格朗日松弛的RDBMS,我们表明,可扩展的联合推理MLNs。我们的经验验证,费利克斯是显着更具可扩展性和效率比以前的方法,MLN推理,从1.8M的文件作为TAC挑战的一部分,构建一个知识库。我们表明,费利克斯规模和实现国家的最先进的质量数字。相比之下,现有方法甚至不能缩放到小三个数量级的语料库的子集。
2012-03-12 cs.AI cs.DB
Entropy Maximization for Markov Decision Processes Under Temporal Logic Constraints
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
研究了在时态逻辑约束下,使马尔可夫决策过程(MDP)的熵最大化的策略的合成问题。这样的策略最小化其生成的路径的可预测性,或者双重地最大化MDP中的不同路径的探索,同时确保满足时态逻辑规范。我们首先证明了MDP的最大熵可以是有限的,无限的或无界的。给出了MDP的最大熵为有限、无穷或无界的充要条件。然后,我们提出了一个算法,这是基于一个凸优化问题,以综合的政策,最大限度地提高熵的MDP。我们还表明,最大化的熵的MDP是等价于最大化的熵的路径,达到一定的一组状态的MDP。最后,我们将该算法扩展到一个受时态逻辑规范的MDP。在数值例子中,我们证明了所提出的方法在不同的运动规划方案和说明之间的关系的限制施加在路径上的规范,最大熵,和路径的可预测性。
2019-06-10 cs.AI math.OC
Neural Markov Prolog
Duke University(杜克大学)
本文提出Neural Markov Prolog语言,结合Markov逻辑与Prolog,桥接一阶逻辑与神经网络设计,支持图像、文本、关系数据库等混合数据类型的架构生成与精确表达。
2023-11-27 cs.AI cs.LG cs.PL
Interpret Your Decision: Logical Reasoning Regularization for Generalization in Visual Classification
Xi’an-Jiaotong Liverpool University(西交利物浦大学);University of Liverpool(利物浦大学);Duke Kunshan University(昆山杜克大学)
本文提出逻辑推理正则化L-Reg,通过将逻辑分析框架与图像分类结合,降低模型复杂度并提取显著特征,从而在多域泛化和广义类别发现等未见数据场景中显著提升视觉分类的泛化能力。
2025-01-27 cs.AI cs.CV cs.LG
Siamese recurrent networks learn first-order logic reasoning and exhibit zero-shot compositional generalization
University of Amsterdam(阿姆斯特丹大学)
神经网络可以学习逻辑吗?我们用当前的方法来处理这个经典问题,并证明了递归神经网络可以学习识别表达式之间的一阶逻辑蕴涵关系。我们在一阶谓词逻辑中定义了一种人工语言,生成了一个大型的样本“数据集”,并使用自动定理证明器来推断这些句子的随机对之间的关系。我们描述了一个暹罗神经架构训练预测的逻辑关系,并与递归和递归网络的实验。Siamese递归网络在蕴涵识别任务中取得了惊人的成功,在新句子(由已知单词组成)上达到了近乎完美的性能,甚至优于递归网络。我们报告了一系列的实验,以测试的能力的模型进行组合泛化。特别是,我们研究他们如何处理看不见的长度的句子,和句子包含看不见的话。我们发现,设置使用LSTM和GRU在这些测试中获得高分,表现出一种形式的组合。
2019-06-01 cs.AI cs.CL cs.LG
Beyond Markov Logic: Efficient Mining of Prediction Rules in Large Graphs
University of Leipzig(莱比锡大学);Leipzig University of Applied Sciences(莱比锡应用科技大学);Paderborn University(帕德博恩大学)
大型知识库的图形表示可以包括数十亿条边。通常建立在人类生成的本体,一些知识库不具有声明的本体规则,是远远不够的。目前的规则挖掘方法依赖于模式或将图存储在内存中,这对于大型图是不可行的。在本文中,我们介绍HornConcerto,算法发现霍恩条款在大型图,而不需要一个模式。使用一个标准的基于事实的置信度得分,我们可以挖掘关闭霍恩规则具有任意的身体大小。我们表明,我们的方法可以优于现有的方法在运行时间和内存消耗和挖掘高质量的规则的链接预测任务,实现国家的最先进的结果,广泛使用的基准。此外,我们发现,规则本身可以执行推理速度显着快于嵌入为基础的方法,并实现链接预测的准确性相比,资源需求的方法,如马尔可夫逻辑网络。
2018-02-13 cs.AI cs.DB
Swift Markov Logic for Probabilistic Reasoning on Knowledge Graphs
Banca d’Italia(意大利银行);TU Wien(维也纳工业大学);University of Oxford(牛津大学)
我们提供了一个基于Vadalog的知识图谱(KGs)的概率推理框架,满足本体推理的要求:全递归、强大的存在量化、归纳定义的表达. Vadtron是一种基于Warded Datrons +/-的知识表示和推理(KRR)语言,Warded Datrons +/-是存在规则的逻辑核心语言,在计算复杂性和表达能力之间具有良好的平衡。处理不确定性是与KG进行推理的关键。然而,Vadminister和Warded Datasheet +/-没有被现有的概率逻辑编程和统计关系学习方法所覆盖,原因有几个,包括对存在量化递归的支持不足,以及不可能表达归纳定义。在这项工作中,我们引入软Vadministration,概率扩展Vadministration,满足这些desiderata。一个软Vadministration程序诱导我们所谓的概率知识图谱(PKG),它由一个网络上的概率分布的追逐实例,结构通过接地的规则在数据库中使用追逐过程。我们利用PKG的概率边际推理。我们讨论的理论和目前MCMC-chase,蒙特卡罗方法在实践中使用软Vadministration。我们将我们的框架应用于解决数据管理和工业问题,并在Vadtron系统中进行了实验评估。逻辑程序设计理论与实践(TPLP)
2022-10-01 cs.AI
On Projectivity in Markov Logic Networks
Fondazione Bruno Kessler(布鲁诺·凯塞勒基金会);University of Trento(特伦托大学)
马尔可夫逻辑网络(MLN)定义了不同域大小上关系结构的概率分布。许多工作已经注意到,MLN,像许多其他关系模型,不承认一致的边际推理在不同的域大小。此外,MLN学习的某个域不推广到新的域的大小不同。在最近的工作中,域大小依赖,提升推理和从子采样域学习之间出现了联系。这些作品的中心思想是投射性的概念。投影模型的概率分布使子结构的边缘概率独立于域基数。因此,投影模型允许有效的边际推理,消除了对域大小的任何依赖。此外,投影模型可能允许从子采样域进行有效且一致的参数学习。在本文中,我们刻画了二元MLN是投射的充要条件。然后,我们隔离在这类MLN的一个特殊的模型,即关系块模型(RBM)。我们表明,在数据似然最大化方面,RBM是最好的可能的投影MLN在两个变量的片段。最后,我们表明,RBM也承认一致的参数学习子采样域。
2022-05-05 cs.AI
Deep Networks as Logical Circuits: Generalization and Interpretation
The University of Texas at Austin(得克萨斯大学奥斯汀分校)
深度神经网络(DNN)不仅是黑箱模型,而且我们经常将其概念化。我们对投入与产出之间的联系机制缺乏良好的解释。因此,我们发现很难用人类有意义的术语来分析(1)网络学到了什么,(2)网络是否学到了什么。我们将DNN离散分类映射分层分解为输入的中间(真/假)分类器的逻辑(AND/OR)组合。那些不能进一步分解的分类器,称为原子,是(可解释的)线性分类器。总之,我们得到了一个具有线性分类器输入的逻辑电路,它计算与DNN相同的标签。该电路在结构上不类似于网络架构,并且它可能需要少得多的参数,这取决于权重的配置。在这些情况下,我们同时获得了解释和泛化界(对于原始DNN),连接了历史上分别研究的两个方面。与压缩技术不同,我们的表示是。我们通过在简单的受控环境中研究DNN来激发这种观点的实用性,在这种环境中,尽管只使用组合信息(例如,没有边缘信息),我们仍然获得了优越的泛化边界。我们演示了如何在MNIST数据集上“打开黑盒”。我们表明,学习,内部,逻辑计算对应于语义有意义的(无标签)类别,允许DNN的描述在平原英语。我们通过解释、诊断和替换逻辑电路(即DNN)的组件来提高已经训练好的网络的泛化能力。
2020-06-26 cs.AI cs.LG stat.ML
A Critical Look at the Applicability of Markov Logic Networks for Music Signal Analysis
Centre for Digital Music(数字音乐中心);Queen Mary University of London(伦敦玛丽女王大学)
近年来,马尔可夫逻辑网络(MLN)已被提出作为一个潜在的有用的范例,音乐信号分析。因为所有的隐马尔可夫模型都可以重新表述为MLN,后者可以提供一个全面的框架,重用和扩展该领域以前的工作。然而,仅仅因为理论上可以将以前的工作重新表述为MLN,并不意味着它是有利的。在本文中,我们分析了一些建议的MLNs的音乐分析的例子,并考虑其实际的缺点相比,制定相同的音乐依赖关系(动态)贝叶斯网络。我们认为,一些实际的障碍,如缺乏对序列和任意连续概率分布的支持,使MLN不太理想的建议的音乐应用程序,无论是在易于制定和计算的要求,由于其所需的推理算法。这些结论并不局限于音乐,但也适用于其他领域,特别是当涉及连续观察的序列数据时。最后,我们表明,所提出的例子背后的想法可以很好地表达在更常用的框架(动态)贝叶斯网络。
2020-01-16 cs.AI cs.IR cs.LG
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
Probabilistic Logic Neural Networks for Reasoning
Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);University of Montréal(蒙特利尔大学);HEC Montréal(蒙特利尔高等商学院)
知识图谱推理的目的是通过对观察到的事实进行推理来预测缺失的事实,它在许多应用中起着关键作用。传统的基于逻辑规则的方法和最近的知识图谱嵌入方法已经对这一问题进行了广泛的研究。基于规则的原则性逻辑方法是马尔可夫逻辑网络(MLN),它能够利用一阶逻辑的领域知识,同时处理它们的不确定性。然而,MLN的推理通常是非常困难的,由于复杂的图结构。与MLN不同的是,知识图谱嵌入方法(例如,TransE、DistMult)学习有效的实体和关系嵌入以用于推理,这是更有效和高效的。然而,他们无法利用领域知识。在本文中,我们提出了概率逻辑神经网络(pLogicNet),它结合了这两种方法的优点。pLogicNet通过使用具有一阶逻辑的马尔可夫逻辑网络来定义所有可能的三元组的联合分布,可以使用变分EM算法来有效地优化。在E-步骤中,一个知识图谱嵌入模型用于推断丢失的三元组,而在M-步骤中,逻辑规则的权重更新的基础上观察和预测三元组。在多个知识图谱上的实验证明了pLogicNet在许多竞争基线上的有效性。
2019-10-29 cs.AI cs.LG stat.ML
On Explaining Visual Captioning with Hybrid Markov Logic Networks
针对深度神经网络视觉字幕生成的可解释性难题,提出基于混合马尔可夫逻辑网络的解释框架,通过训练实例分布偏移量化影响样本,实验验证了方法的可解释性并可用于模型比较。
2025-07-28 cs.AI cs.CV
Logical Credal Networks
IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心);IBM Research Europe(IBM欧洲研究院);IBM Global Business Services(IBM全球企业咨询服务部)
本文介绍了逻辑信用网络,一个表达概率逻辑,概括了许多先前的模型,结合逻辑和概率。给定由逻辑公式的概率界和条件概率界表示的不精确信息,该逻辑指定所有解释的概率分布集合。一方面,我们的方法允许命题和一阶逻辑公式具有很少的限制,例如,而不需要无环性。另一方面,它具有类似于贝叶斯网络和马尔可夫随机场的马尔可夫条件,这在现实世界的应用中至关重要。拥有这两个属性使得这种逻辑是独特的,我们研究了它在最大后验推理任务上的性能,包括解决具有不确定性的主谋游戏和检测信用卡欺诈。结果表明,该方法优于现有的方法,其优势在于聚合多个来源的不精确的信息。
2021-09-25 cs.AI cs.LO
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
Value Function Approximation in Zero-Sum Markov Games
Duke University(杜克大学)
本文研究了零和马尔可夫博弈中的价值函数逼近问题,该问题可以看作是马尔可夫决策过程(MDP)框架在两主体情形下的推广.我们将误差界从MDP推广到马尔可夫博弈,并将强化学习算法推广到马尔可夫博弈。我们提出了一个推广的最佳停止问题的两个球员同时移动马尔可夫博弈。对于这个特殊的问题,我们提供了更强的界限,可以保证收敛的LSTD和时间差学习与线性价值函数逼近。我们证明了价值函数近似马尔可夫游戏的可行性,通过使用最小二乘策略迭代(LSPI)算法学习足球领域和流量控制问题的好政策。
2012-12-12 cs.AI
n-Valued Refined Neutrosophic Logic and Its Applications to Physics
University of New Mexico(新墨西哥大学)
在本文中,我们提出了一个简短的历史逻辑:从特殊情况下的2符号或数值逻辑的一般情况下的n符号或数值逻辑。我们展示了2-值布尔逻辑到模糊逻辑的推广,也从Kleene和Lukasiewicz的3-符号值逻辑或Belnap的4-符号值逻辑到最一般的n-符号或数值的精化逻辑。定义了两类自同构范数(n-范数)和自同构余集(n-余集)。最后一节列举了应用逻辑学于物理学的例子。对于n值精化中性集和n值精化中性概率也可以进行类似的推广。
2014-07-03 cs.AI
Random coloured digraphs defined by a Markov logic network
Department of Mathematics, Uppsala University, Sweden(瑞典乌普萨拉大学数学系)
研究马尔可夫逻辑网络中一阶语句的渐近概率,发现权重按1/n缩放时0-1律成立且极限概率与权重无关,否则出现7种依赖于权重的定性情况,包括相变现象。
2026-06-24 cs.AI math.LO
Plithogeny, Plithogenic Set, Logic, Probability, and Statistics
在这本书中,我们介绍了plithogenic集(作为概括的清晰,模糊,直觉模糊,和opensophic集),plithogenic逻辑(作为概括的经典,模糊,直觉模糊,和opensophic逻辑),plithogenic概率(作为概括的经典,不精确,和opensophic概率),和plithogenic统计(作为概括的经典,和opensophic统计)。致岩集是由一个或多个属性来刻画元素的集合,每个属性可以有多个值。一个属性值v有一个对应的(模糊的,直觉模糊的,或直觉模糊的)从属程度d(x,v)的元素x,到集合P,关于一些给定的标准。为了获得更好的精度为plithogenic集,逻辑,概率和更准确的包含(偏序),(模糊,直觉模糊,或直觉模糊)矛盾(相异度)度之间定义的每个属性值和占主导地位的(最重要的)属性值。同形交和并是模糊算子tnorm和tcons的线性组合,而同形补、包含、相等则受属性值矛盾(相异)度的影响。正式定义plithogenic集,逻辑,概率,统计介绍到这本书,其次是plithogenic聚合算子,各种定理与他们有关,后来的例子和应用这些新概念在我们的日常生活。
2018-08-12 cs.AI
Curved Boolean Logic: A Contextual Generalization of Propositional Logic with Algorithmic Consequences
Independent Researcher(独立研究者)
弯曲布尔逻辑(CBL)通过引入局部真值赋值推广命题逻辑,提出上下文感知证明演算及CBL-SAT复杂度分析,提供操作算子与噪声建模,并探讨其与SAT/CSP及大语言模型稳定性的联系。
2025-10-11 cs.AI cs.CC cs.LO
Logic programs with monotone abstract constraint atoms
本文介绍并研究了子句由单调约束原子构成的逻辑程序。我们表明,一步证明算子的操作概念推广到单调约束原子的程序,但推广涉及非确定性。我们的主要结果表明,我们的形式化是一个共同的推广(1)正常的逻辑编程与其语义的模型,支持的模型和稳定的模型,(2)逻辑程序与重量原子(lparse程序)的语义的稳定模型,定义的Niemela,Simons和Soininen,(3)析取逻辑编程与可能的模型语义的Sakama和井上。
2006-08-25 cs.AI cs.LO
Exploring Depth Generalization in Large Language Models for Solving Recursive Logic Tasks
Zhiyuan He(He)
本研究提出了一种循环定位和替换流程,用于解决大型语言模型在递归逻辑任务中的深度泛化问题,通过分解递归问题并利用两个专门模型提升性能。
2025-12-02 cs.AI
Causal Temporal Reasoning for Markov Decision Processes
Department of Informatics, King's College London(信息学院,伦敦国王学院)
本文提出PCFTL,一种支持干预与反事实查询的概率时序逻辑,通过结构因果模型解释MDP,并在安全强化学习基准中验证其有效性。
2023-06-14 cs.AI cs.SY eess.SY
Generalization in Monitored Markov Decision Processes (Mon-MDPs)
University of Alberta(阿尔伯塔大学);Amii(艾伯塔机器智能研究所)
针对奖励仅部分可观测的 Mon-MDP,本文结合函数逼近与学习型奖励模型实现跨状态泛化,并提出利用奖励不确定性的谨慎策略优化以缓解过度泛化。
2025-05-13 cs.AI