PulseAugur
实时 14:57:00
English(EN) ANDRE: An Attention-based Neuro-symbolic Differentiable Rule Extractor

新的ANDRE框架增强了AI从嘈杂数据中提取规则的能力

研究人员推出了一种新颖的归纳逻辑编程(ILP)框架ANDRE,该框架解决了现有方法在处理嘈杂和概率数据方面的局限性。ANDRE利用连续规则空间中的基于注意力机制的逻辑运算符来学习一阶逻辑程序,提供比传统ILP或其他可微分方法更稳定和可解释的方法。实验表明,ANDRE在不确定或嘈杂的环境中取得了具有竞争力的性能和卓越的规则提取质量。 AI

影响 引入了一种从嘈杂数据中学习可解释逻辑程序的新方法,有望提高AI的可解释性和鲁棒性。

排序理由 这是一篇介绍新颖的归纳逻辑编程框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的ANDRE框架增强了AI从嘈杂数据中提取规则的能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Iman Sharifi, Peng Wei, Saber Fallah ·

    ANDRE: An Attention-based Neuro-symbolic Differentiable Rule Extractor

    arXiv:2605.04193v1 Announce Type: cross Abstract: Inductive Logic Programming (ILP) aims to learn interpretable first-order rules from data, but existing symbolic and neuro-symbolic approaches struggle to scale to noisy and probabilistic settings. Classical ILP relies on discrete…