Inductive logic programming
PulseAugur coverage of Inductive logic programming — every cluster mentioning Inductive logic programming across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的ILP流程通过可解释的假设来解释天气预报
研究人员开发了一个新的流程，使用归纳逻辑编程（ILP）来解释来自意大利弗留利-威尼斯朱利亚地区气象天文台OSMER FVG的天气公告。该系统基于FastLAS2框架，将气象数据和专家公告转换为一种格式，使ILP能够推断出简单、易于理解的假设。这些假设解释了天气预报背后的推理过程，特别是公告中带注释地图所用符号的选择，提供了一种可推广到其他地区和公告来源的方法。
-
新逻辑方法优化项目调度中的能源成本
研究人员开发了新颖的方法来解决包含用电时段电价和机器状态的资源受限项目调度问题（RCPSP）。提出的方法包括一种整体约束规划（CP）方法和一种基于逻辑的Benders分解（LBBD）方法。LBBD方法将用于能源成本优化的整数线性规划与用于调度的CP相结合，其性能显著优于整体CP和紧凑型ILP对应方法，成功解决了多达480个任务的实例。
-
新的神经符号框架提高了 AI 学习效率和弱监督能力 · 已追踪 2 个来源
研究人员开发了一种原生可微分虚拟机 (NDVM)，它通过区分可执行程序而无需将每个程序编译成单独的图来高效处理神经符号学习。这种方法将符号结构与可微分的数值状态分离开来，从而实现更快的参数校准和改进的程序与参数联合搜索。另外，另一篇论文探讨了一种用于弱监督的神经符号框架，它集成了归纳逻辑编程来构建多实例部分标签学习，并提高可靠性和语义清晰度。
-
新研究探索用于智能体生存、导航和可解释性的高级强化学习 · 跟踪 7 个来源
研究人员正在探索强化学习（RL）的高级技术，以增强智能体的性能和可解释性。一项研究提出了程序化策略（PERL）作为进化 RL 中神经策略（NERL）的替代方案，证明了 PERL 更高的生存率。另一篇论文侧重于使用 RL 进行自主机器人的流感知导航，发现使用速度和记忆传感器训练的智能体优于那些具有显式全局流参数的智能体。此外，正在开发新的方法来解释 RL 智能体，例如使用归纳逻辑编程（ILP）为策略可解释性创建客观指标，以及一种称为 S…
-
神经符号AI生成新型候选药物
研究人员开发了一种名为符号神经生成器（SNGs）的新型神经符号模型，该模型将归纳逻辑编程与大型语言模型相结合。这些SNGs可以从少量数据实例中学习，生成符合形式正确性标准的新颖、有效数据。该系统既能生成可行实例的符号描述，也能生成一组新颖的实例。在药物设计早期阶段的初步评估表明，SNGs在基准问题上的表现与最先进的方法相当，并且在探索性问题上生成的分子与领先的临床候选药物具有相当的结合亲和力。
-
新框架形式化神经网络电路解释
研究人员开发了一个形式化框架，以推进神经网络的机制可解释性。该方法将电路解释视为归纳理论构建，为发现的电路创建共享表示。该系统使用因果功能签名（CFS）和归纳逻辑编程（ILP）来表征电路，从而能够在不同模型规模和架构之间进行显式比较和迁移。
-
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。