文章预览
Scallop: A Language for Neurosymbolic Programming https://arxiv.org/pdf/2304.04812 https://github.com/scallop-lang/scallop 神经符号语言 应该满足的五个关键标准: DQN 50K个训练周期才能达到84.9%的测试成功率,其中单个周期是从头到尾的一次游戏会话。 相比之下,使用Scallop的神经符号解决方案只需要50个训练周期就能达到99.4% Scallop的关键洞见是利用逻辑程序的结构来指导梯度计算 支持不同的推理模式——离散的、概率的和可微的。 18 种内置源数据( 4 种用于离散推理,6 种用于概率推理,8 种用于可微推理) RQ1 Scallop 在解决多样化的神经符号任务方面的 表达能力 如何? RQ2 Scallop 的解决方案与最新基准在 准确性 方面的比较如何? RQ3 Scallop 的可微推理模块是否 运行高效 ? RQ4 Scallop 在提高 泛化能力、可解释性和数据效率 方面是否有效? RQ5 Scallop 解决方案的 失败模式是
………………………………