首次面向概率ILP的方法，再集成超越GNN

文章预览

Towards Probabilistic Inductive Logic Programming with Neurosymbolic Inference and Relaxation 面向概率归纳逻辑程序设计的神经符号推理与松弛 https://arxiv.org/abs/2408.11367 相关基础模型： Code：从 提出假设、验证假设、假设失败 中学习最优方案 从噪声数据中学习MDL逻辑程序，可以将学习时间减少99% AGI雏形,系统1+系统2，Scallop2：神经符号编程语言: 符号、概率、可解释等强化学习等 摘要 许多归纳逻辑编程（ ILP）方法无法从概率背景知识中学习程序 ，例如来自传感器数据或具有概率的神经网络。我们提出了 Propper ，它通过 扩展ILP与神经符号推理的结合、假设选择的连续标准（BCE）以及假设约束器的放松（NoisyCombo） 来处理有缺陷和概率性背景知识。对于噪声图像中的关系模式，Propper可以 从少至8个示例中学习程序 。它的 表现优于二元ILP和统计模型，如图神经网络。 关 ………………………………