Towards Human-Compatible XAI: Explaining Data Differentials with Concept Induction over Background Knowledge
Kairos Research, LLC(凯洛斯研究有限责任公司);University of Hartford(哈特福德大学);Kansas State University(堪萨斯州立大学);Wright State University(莱特州立大学)
概念归纳是一种基于描述逻辑的形式逻辑推理方法,已被用于本体工程中,以便从基本数据(ABox)图中创建本体(TBox)公理。在本文中,我们证明了它也可以用来解释数据差异,例如在可解释人工智能(XAI)的背景下,我们证明了它实际上可以以一种对人类观察者有意义的方式来完成。我们的方法利用了一个大的类层次结构,从维基百科的类别层次结构,作为背景知识。
2022-09-27 cs.AI
Efficient rule induction by ignoring pointless rules
本文提出了一种通过忽略无用规则来提升归纳逻辑编程效率的方法,实验表明该方法在多个领域显著减少了学习时间并保持了预测准确性。
2026-01-23 cs.AI
Efficient Concept Induction for Description Logics
Wright State University(莱特州立大学)
概念归纳是指创建复杂描述逻辑类描述的问题(即,TBox公理)的实例(即,ABox数据)。在本文中,我们特别关注的情况下,既有一组积极的和一组消极的情况下,并寻求复杂的类表达式下,积极的,但不是消极的例子。概念归纳已经在本体工程中找到了应用,但是现有的算法在某些情况下具有基本的性能问题,主要是因为通常需要大量的外部描述逻辑推理机的调用。在本文中,我们提出了一个新的算法,这个问题大大减少了所需的推理机调用的数量。虽然这是在一个更有限的遍历的搜索空间的代价,我们表明,我们的方法提高了执行时间高达几个数量级,而输出的正确性,测量的输入实例的正确覆盖量,在许多情况下仍然相当高。因此,我们的方法应该为现有系统提供一个强有力的替代方案,特别是在其他系统非常缓慢的情况下。
2018-12-08 cs.AI cs.LO
Fuzzy Logic Based Direct Torque Control Of Induction Motor With Space Vector Modulation
Çankırı Karatekin University(坎卡勒卡拉泰金大学)
本文提出基于模糊逻辑的空间矢量调制方法,用于改进感应电机直接转矩控制中的高转矩脉动问题,通过Matlab/Simulink仿真验证了其在动态转矩和速度响应上的显著提升。
2015-08-06 cs.AI cs.SY eess.SY
GALOIS: Boosting Deep Reinforcement Learning via Generalizable Logic Synthesis
Nanyang Technological University(南洋理工大学);Tianjin University(天津大学);University of Alberta(阿尔伯塔大学)
尽管在人类级别的控制问题中实现了卓越的性能,但与人类不同,深度强化学习(DRL)缺乏高阶智能(例如,逻辑推理和重用),因此在复杂问题的学习和概括方面,它的表现不如人类有效。以往的工作试图直接合成一个白盒逻辑程序作为DRL策略,体现逻辑驱动的行为。然而,大多数合成方法都是建立在命令式或声明式编程的基础上的,每种方法都有各自的局限性。前者忽略了综合过程中的因果逻辑,导致任务间的可概括性低。后者是严格的证明为基础的,因此无法合成程序与复杂的层次逻辑。在本文中,我们结合上述两种范式一起,提出了一种新的广义逻辑综合(GALOIS)框架综合层次和严格因果逻辑程序。GALOIS利用程序草图并定义了一种新的基于草图的混合程序语言来指导合成。在此基础上,GALOIS提出了一种基于草图的程序合成方法,用于自动生成具有可泛化和可解释因果逻辑的白盒程序。对具有复杂逻辑的各种决策任务的广泛评估表明,GALOIS在渐进性能、泛化能力和跨不同环境的知识重用性方面优于主流基线。
2022-05-27 cs.AI
Induction of Non-monotonic Logic Programs To Explain Statistical Learning Models
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
我们提出了一个快速的和可扩展的算法,从统计学习模型诱导非单调逻辑程序。我们减少了搜索最佳条款的高效用项目集挖掘(HUIM)问题的实例的问题。在HUIM问题中,特征值和它们的重要性分别被视为事务和效用。我们利用TreeExplainer,可解释的AI工具SHAP的快速和可扩展的实现,从集成树模型中提取局部重要特征及其权重。我们的实验与UCI标准的基准表明,显着改善的分类评估指标和运行时间的训练算法相比,ALEPH,一个国家的最先进的归纳逻辑程序设计(ILP)系统。
2019-09-18 cs.AI cs.LG cs.LO
White-box Induction From SVM Models: Explainable AI with Logic Programming
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
我们专注于问题的诱导逻辑程序,解释模型学习的支持向量机(SVM)算法。自顶向下顺序覆盖归纳逻辑程序设计(ILP)算法(例如,FOIL)应用爬山搜索,使用来自信息论的算法。这类算法的一个主要问题是陷入局部最优。然而,在我们的新方法中,数据相关的爬山搜索被模型相关的搜索所取代,其中首先训练全局最优SVM模型,然后算法将支持向量视为模型中最有影响力的数据点,并引入一个子句,该子句将覆盖支持向量和与该支持向量最相似的点。我们的算法没有定义一个固定的假设搜索空间,而是利用SHAP(可解释AI中的一个特定于示例的解释器)来确定一组相关的特征。这种方法产生了一个算法,捕捉SVM模型的底层逻辑,并优于%GG:FOIL算法-->其他ILP算法其他ILP算法的数量方面的诱导条款和分类评估指标。这篇论文正在考虑发表在“逻辑程序设计的理论与实践”杂志上。
2020-08-09 cs.AI cs.LO
Sciduction: Combining Induction, Deduction, and Structure for Verification and Synthesis
University of California, Berkeley(加州大学伯克利分校)
即使在自动化的形式化方法令人印象深刻的进步,在系统验证和综合的某些问题仍然具有挑战性。例子包括验证软件的定量属性,包括对时间和能量消耗的约束,以及从规范中自动合成系统。主要的挑战包括环境建模、规范的不完整性以及底层决策问题的复杂性。本文提出了一种通过整合归纳推理、演绎推理和结构假设来应对这些挑战的方法。演绎推理,从一般规则或概念导出关于特定问题实例的结论,包括逻辑推理和约束求解等技术。归纳推理,从特定的实例中概括出一个概念,包括从例子中学习算法。结构假设用于定义工件的类别,例如在验证或合成过程中生成的不变量或程序片段。演绎使用结构假设来约束归纳和演绎推理,并积极地结合归纳和演绎推理:例如,演绎技术生成用于学习的示例,并且归纳推理用于指导演绎引擎。我们用三个应用来说明这种方法:(i)软件的时序分析;(ii)无循环程序的合成,以及(iii)混合系统的控制器合成。一些未来的应用进行了讨论。
2012-01-04 cs.AI cs.LO cs.PL
Abductive Knowledge Induction From Raw Data
Imperial College London(伦敦帝国学院)
对于许多涉及原始输入的推理繁重的任务,设计适当的端到端学习管道具有挑战性。神经符号学习,将过程分为子符号感知和符号推理,试图同时利用数据驱动的机器学习和知识驱动的推理。然而,它们遭受这两个组件之间的接口内的指数计算复杂性,其中子符号学习模型缺乏直接监督,并且符号模型缺乏准确的输入事实。因此,他们中的大多数人假设存在一个强大的符号知识库,只学习感知模型,而避免了一个关键问题:知识来自哪里?本文提出了一种结合溯因和归纳的溯因元解释学习方法($Meta_{Abd}$),用于从原始数据中学习神经网络和归纳逻辑理论。实验结果表明,$Meta_{Abd}$不仅在预测精度和数据效率方面优于同类系统,而且还能诱导出逻辑程序,这些逻辑程序可以作为背景知识在后续的学习任务中重复使用。据我们所知,$Meta_{Abd}$是第一个可以从头开始共同学习神经网络并通过谓词发明归纳递归一阶逻辑理论的系统。
2021-05-20 cs.AI cs.LG
Pretrain on Small Synthetic Data, Scale Large for Free: Symmetry-Aware Foundation Model for Logic Rule Induction
Institute of Science Tokyo(东京科学大学)
该研究提出一种感知对称性的逻辑规则归纳基础模型,通过构造强制对称性将小型合成数据预训练的Neural Rule Inducer扩展至更大模式,提升了规则的可迁移性与保真度。
2026-08-04 cs.AI cs.LG cs.LO
Large Language Models are Shannon Lossy Compressors Not Solomonoff Induction Estimators: Self-improvement and Singularity Are Not Near Without Symbolic Model Synthesis
Algorithmic Dynamics Lab(算法动力实验室);Department of Biomedical Computing(生物医学计算系);School of Biomedical Engineering and Imaging Sciences(生物医学工程与成像科学学院);King’s Institute for AI(国王人工智能研究所);King’s College London(伦敦国王学院);Oxford Immune Algorithmics(牛津免疫算法公司);Oxford University Innovation(牛津大学创新中心);London Institute for Healthcare Engineering(伦敦医疗工程研究所)
研究指出大型语言模型在缺乏外部信号时自我改进会退化,提出神经符号整合方法以突破这一限制。
2026-09-21 cs.AI cs.IT cs.LG
AISYN: AI-driven Reinforcement Learning-Based Logic Synthesis Framework
NVIDIA Corp.(英伟达公司)
逻辑综合是数字芯片设计和实现中最重要的步骤之一,对最终的结果质量(QoR)有很大影响。对于用有向无环图(DAG)建模的最一般的输入电路,许多逻辑综合问题(如延迟或面积最小化)是NP完全的,因此没有最优解。这就是为什么许多经典的逻辑优化函数倾向于遵循贪婪方法,这些方法容易陷入局部最小值,无法根据需要提高QoR。我们相信人工智能(AI),更具体地说,强化学习(RL)算法可以帮助解决这个问题。这是因为AI和RL可以通过退出局部最小值来帮助进一步最小化QoR。我们在开源和工业基准电路上的实验表明,通过AI驱动的逻辑综合优化功能,可以在面积、延迟和功耗等重要指标上实现显著改善。例如,与没有AI意识的经典重写算法相比,我们基于RL的重写算法可以将合成后的总单元面积提高高达69.3%。
2023-02-08 cs.AI cs.AR
Evolutionary Quantum Logic Synthesis of Boolean Reversible Logic Circuits Embedded in Ternary Quantum Space using Heuristics
Tohoku University(东北大学);Portland State University(波特兰州立大学)
实验证明,用高阶逻辑实现通用量子门在技术上和实践上都是可行的。我们提出了一种并行遗传算法,该算法可以综合布尔可逆电路,该电路由不同基的量子点上的各种量子门实现。为了使合成电路的中等规模的更高的基数量子空间,我们进行了实验,使用GPU加速遗传算法。使用加速GA,我们比较启发式改进的变异过程的基础上,成本最小化,自适应成本的原始和改进由于Baldwinian与拉马克GA。我们还描述了各种健身功能配方,允许各种实现众所周知的通用布尔可逆或量子概率电路。
2011-07-18 cs.AI quant-ph
Too Big to Fail? Active Few-Shot Learning Guided Logic Synthesis
New York University(纽约大学);University of Calgary(卡尔加里大学);Qualcomm Technologies, Inc.(高通技术公司)
次优综合变换序列的生成是逻辑综合中的一个重要问题。手工制作的合成配方质量很差。现有技术水平的机器学习(ML)用于生成合成配方,但不会扩展到大型网表,因为模型需要从头开始训练,为此使用耗时的合成运行来收集训练数据。我们提出了一种新的方法,靶心,微调过去的合成数据的预训练模型,以准确地预测一个看不见的网表的合成配方的质量。这种方法比最先进的机器学习方法实现了2 - 10倍的运行时间改进和更好的结果质量(QoR)。
2022-04-05 cs.AI cs.AR cs.LG
Neural Combinatorial Logic Circuit Synthesis from Input-Output Examples
ETH Zürich(苏黎世联邦理工学院)
我们提出了一种新的,充分解释的神经方法来综合的组合逻辑电路从输入输出的例子。我们的方法的携带优势是,它很容易扩展到归纳的情况下,一组例子是不完整的,但仍然指示所需的行为。我们的方法可以用于原子的几乎任意选择-从逻辑门到FPGA块-只要它们可以以可微的方式配制,并始终产生良好的结果,用于合成越来越大的实际电路。特别是,我们成功地学习了一些算术,逐位和信号路由操作,甚至概括了归纳场景中的正确行为。我们的方法,攻击一个离散的逻辑合成问题,一个可解释的神经方法,暗示了一个更广泛的承诺,合成和推理相关的任务。
2022-10-29 cs.AI cs.LG cs.SC
Logic Synthesis with Generative Deep Neural Networks
University College London(伦敦大学学院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文提出基于Circuit Transformer的逻辑综合重写算子ctrw,通过两阶段自改进训练并与先进重写技术集成,在IWLS 2023基准上验证了其有效性。
2024-06-07 cs.AI cs.LO
Towards Neural-Guided Program Synthesis for Linear Temporal Logic Specifications
University of Toronto(多伦多大学);Vector Institute(向量研究所)
综合实现逻辑规范的程序是计算机科学中的经典问题。我们研究了一种特殊类型的程序合成,其目标是合成一种策略,该策略对潜在的敌对环境做出反应,同时确保所有执行满足线性时序逻辑(LTL)规范。不幸的是,通过逻辑推理解决所谓的LTL合成的精确方法不具有规模。在这项工作中,我们铸造LTL合成作为一个优化问题。我们采用了一个神经网络学习Q函数,然后用来指导搜索,并构建程序,随后验证的正确性。我们的方法在将搜索与深度学习相结合以实现LTL合成方面是独特的。在我们的实验中,学习的Q-函数提供了有效的指导与相对较小的规格的综合问题。
2019-12-31 cs.AI cs.FL cs.GT
Induction and Exploitation of Subgoal Automata for Reinforcement Learning
Imperial College London(帝国理工学院);Universitat Pompeu Fabra(庞培法布拉大学)
在本文中,我们提出了ISA,学习和利用子目标的情景强化学习(RL)任务的方法。ISA将强化学习与子目标自动机的归纳交织在一起,子目标自动机的边缘由任务的子目标标记,子目标表示为一组高级事件上的命题逻辑公式。子目标自动机也由两种特殊状态组成:一种状态表示任务成功完成,另一种状态表示任务已经完成但没有成功。一个国家的最先进的归纳逻辑程序设计系统被用来学习一个子目标自动机,覆盖的RL代理观察到的高级事件的痕迹。当当前利用的自动机不能正确识别轨迹时,自动机学习器会产生一个新的自动机来覆盖该轨迹。交错过程保证了具有最少状态数的自动机的归纳,并应用对称性破缺机制来缩小搜索空间,同时保持完整。我们评估ISA在几个网格世界和连续状态空间的问题,使用不同的RL算法,利用自动机结构。我们提供了一个深入的实证分析的自动机学习性能的痕迹,对称性破缺和具体的限制施加在最终的可学习的自动机。对于每一类RL问题,我们表明,学习的自动机可以成功地利用学习达到目标的政策,实现平均奖励的情况下,自动机没有学习,但手工制作,并事先给出。
2021-03-16 cs.AI cs.LG
TerpreT: A Probabilistic Programming Language for Program Induction
Microsoft Research(微软研究院);perceptiveIO
我们研究归纳程序合成的机器学习公式;给定输入输出示例,我们尝试合成将输入映射到相应输出的源代码。我们的目标是开发基于神经网络和图形模型的新机器学习方法,并了解机器学习技术相对于传统替代方案的能力,例如基于程序设计语言社区的约束求解。我们的主要贡献是TerpreT,一个特定领域的语言表达程序合成问题的建议。TerpreT类似于概率程序设计语言:模型由程序表示的规范(随机变量的声明)和描述程序如何将输入映射到输出的解释器(将未知数连接到观察结果的模型)组成。推理任务是观察一组输入输出示例并推断底层程序。TerpreT有两个主要好处。首先,它可以快速探索一系列领域,程序表示和解释器模型。其次,它将模型规范与推理算法分离,允许不同推理方法之间的相似比较。从一个单一的TerpreT规范中,我们使用四个不同的后端自动执行推理。这些是基于梯度下降,线性规划(LP)松弛的图形模型,离散可满足性求解,和草图程序合成系统。我们通过开发几种解释器模型并在替代推理算法之间进行实证比较来说明TerpreT的价值。我们的主要经验发现是,约束求解器占主导地位的梯度下降和LP为基础的配方。最后,我们建议机器学习社区在程序合成方面取得进展。
2016-08-15 cs.AI cs.LG cs.NE
DRiLLS: Deep Reinforcement Learning for Logic Synthesis
Brown University(布朗大学);American University in Cairo(开罗美国大学)
逻辑综合需要对综合优化流程进行广泛的调整,其中结果的质量(QoR)取决于所使用的优化序列。由于可能的优化排列的指数数量,有效的设计空间探索是具有挑战性的。因此,优化过程的自动化是必要的。在这项工作中,我们提出了一种新的强化学习为基础的方法,导航的优化空间,没有人为干预。我们展示了一个优势演员评论家(A2C)代理,旨在尽量减少受时间约束的区域的培训。使用所提出的方法,设计可以自动优化与无人在回路中。综合EPFL基准套件的评估表明,该代理优于现有的勘探方法,并提高了QoR的平均13%。
2019-11-13 cs.AI cs.LG cs.NE
Summary - TerpreT: A Probabilistic Programming Language for Program Induction
Microsoft Research(微软研究院);perceptiveIO
我们研究归纳程序合成的机器学习公式,也就是说,给定输入-输出示例,合成将输入映射到相应输出的源代码。我们的主要贡献是TerpreT,表达程序合成问题的领域特定的语言。TerpreT模型由程序表示的规范和描述程序如何将输入映射到输出的解释器组成。推理任务是观察一组输入输出示例并推断底层程序。从一个TerpreT模型中,我们使用四个不同的后端自动执行推理:梯度下降(因此每个TerpreT模型可以被视为定义一个可微解释器),线性规划(LP)松弛的图形模型,离散可满足性求解,和草图程序合成系统。TerpreT有两个主要好处。首先,它可以快速探索一系列领域,程序表示和解释器模型。其次,它将模型规范与推理算法分离,允许在不同的推理方法之间进行适当的比较。我们说明TerpreT的价值,通过开发几个解释器模型和执行各种程序模型的替代推理算法之间的广泛的实证比较。据我们所知,这是第一个工作比较基于梯度的搜索程序空间的传统搜索为基础的替代品。我们的主要经验发现是,约束求解器占主导地位的梯度下降和LP为基础的配方。这是arXiv上一篇较长报告的研讨会摘要:1608.04428
2016-12-02 cs.AI cs.LG cs.NE
LevelSyn: Physical-Aware Logic Synthesis via Level-Asynchronous Graph Neural Networks
The Chinese University of Hong Kong(香港中文大学)
LevelSyn是一种基于层级异步GNN的物理感知逻辑综合框架,通过层级对齐子图划分策略适配工业级设计,在EPFL基准上较SOTA方法实现功耗降6.89%、延迟升27.48%,DRC违规减99.59%,可加速集成电路设计收敛。
2026-09-04 cs.AI cs.AR cs.LG
Towards Proof Synthesis Guided by Neural Machine Translation for Intuitionistic Propositional Logic
IBM Research -- Tokyo(IBM研究院(东京));Kyoto University(京都大学)
受深度神经网络(DNN)在机器学习中的最新发展的启发,我们探索了它们在PL相关主题中的应用。本文是实现这一目标的第一步;我们提出了一种无否定命题逻辑的证明合成方法,其中我们使用DNN来获得证明搜索的指南。这个想法是把证明综合问题看作是从命题到其证明的转换。我们训练seq 2seq,这是神经机器翻译中的一个流行网络,因此它生成一个编码为给定命题的$λ$ -项的证明。我们实现了整个框架,并根据经验观察到,生成的证明项在AST的树编辑距离方面接近于正确的证明。这一观察结果证明了使用经过训练的seq 2seq模型的输出作为证据搜索的指导是合理的。
2017-06-20 cs.AI cs.LO cs.PL
Automated proof synthesis for propositional logic with deep neural networks
National Institute of Informatics(国立情报学研究所);Kyoto University(京都大学)
这项工作探索了深度学习的应用,深度学习是一种以深度神经网络(DNN)为核心的机器学习技术,它可以用于自动定理证明(ATP)问题。为此,我们构建了一个统计模型,量化的可能性,证明确实是一个正确的一个给定的命题。基于这个模型,我们给出了一个证明合成过程,搜索的顺序的可能性的证明。这个过程使用一个估计的可能性的推理规则被应用在每一步的证明。作为估计器的实现,我们提出了一个命题证明架构,这是一个DNN定制的自动证明合成问题。为了实证证明它的有用性,我们应用我们的模型来合成命题逻辑的证明。我们使用命题证明对的训练数据集训练命题证明模型。对基准集的评价显示了非常高的准确性和改进最近的工作的神经证明合成。
2018-05-30 cs.AI cs.LG cs.LO