AI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

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 ………………………………