Logic Tensor Networks
PulseAugur coverage of Logic Tensor Networks — every cluster mentioning Logic Tensor Networks across labs, papers, and developer communities, ranked by signal.
-
IJCAI 2026 荣誉跨越数十年的基础人工智能研究 · 追踪 3 个来源
IJCAI-ECAI 2026 会议表彰了对人工智能的重大贡献，将 AIJ 经典论文奖授予了 1990 年关于非单调推理的论文，该论文对于理解人工智能系统至今仍具相关性。AIJ 杰出论文奖授予了 2021 年的“Logic Tensor Networks”，表彰了其在统一逻辑和神经网络方面的创新方法，该方法此后激发了进一步的研究和应用。此外，新设立的 JAIR 经久不衰奖授予了 2002 年的论文“SMOTE: Synthetic M…
-
新 sLTN 框架扩展神经符号 AI 以处理结构化数据
研究人员推出 sLTN，这是逻辑张量网络 (LTN) 的一个扩展，旨在处理结构化数据。与之前专注于个体扁平集合的 LTN 公式不同，sLTN 明确纳入了时间顺序、序列位置和图连接性等结构维度。这使得在逻辑层面直接表达时间、序列和关系约束成为可能。该框架通过模糊张量语义进行形式化，并包含一个 PyTorch 实现，通过时间和序列推理示例进行了演示。
-
新的神经符号AI框架整合时间逻辑用于知识图谱
研究人员引入了第一阶时间逻辑张量网络（FOT-LTN），这是一个新颖的框架，旨在解决现有神经符号AI方法主要处理静态知识的局限性。FOT-LTN通过整合线性时间维度扩展了逻辑张量网络，使其能够在完全可微分的系统中处理时间算子和量词。在合成数据集上的时间知识图谱补全任务的初步评估表明，FOT-LTN的性能优于纯粹的神经网络方法。
-
NeSyCat论文统一了神经符号ULLER框架的语义与单子
研究人员引入了NeSyCat，一个基于单子的新颖范畴框架，它统一了神经符号ULLER系统的语义。该方法表明，ULLER的一阶逻辑语法的经典、模糊和概率语义都是单一基于单子的结构的实例。该框架便于模块化地添加新语义，并实现它们之间的系统性转换，其中一个例子展示了逻辑张量网络中广义量化的扩展。