深度学习与逻辑推理:NLM模型解析
"NLM 逻辑推理神经网络论文.pdf——在ICLR2019会议上发表的一篇关于神经逻辑机器(Neural Logic Machines, NLM)的论文,由来自清华大学、谷歌公司和字节跳动公司的研究人员合作撰写。该论文探讨了一种结合神经网络和逻辑编程的神经符号架构,用于进行归纳学习和逻辑推理。NLMs能够利用神经网络作为函数近似器,以及逻辑编程作为处理对象属性、关系、逻辑连接符和量词的符号处理器。在完成小规模任务(如对短数组排序)的训练后,NLMs能够推导出抽象规则,并推广到大规模任务(如对更长数组排序)。实验结果显示,NLMs在多种任务中实现了完美的泛化能力,包括关系推理任务、决策任务如数组排序、寻找最短路径和玩积木世界游戏,这些任务对于传统神经网络或归纳方法具有较大挑战性。" 本文重点介绍的Neural Logic Machines (NLM)是一种创新的神经网络模型,它结合了神经网络和逻辑编程的优点。神经网络通常被用来作为函数逼近器,擅长处理连续数据和模式识别,而逻辑编程则侧重于处理离散的、基于规则的数据,适合进行推理和决策。NLM将这两种技术融合,形成一个神经符号架构,允许模型在学习过程中捕捉到结构化的信息,并用逻辑规则来表达。 在学习阶段,NLM通过小规模任务的学习,如对短数组进行排序,来逐渐理解并掌握规律。这些学习到的规则可以被“提升”到更抽象的层次,使得NLM能够将学到的知识应用于更大规模的任务。例如,经过小规模排序任务的训练,NLM能够成功地将排序规则推广到处理更长的数组,显示出强大的泛化能力。 在实验部分,NLM展示了其在各种复杂任务中的优越性能。这些任务涵盖了关系推理,比如在家庭树和一般图上的问题,以及决策任务,如找出数组的最短路径和解决积木世界游戏。这些任务的共同特点是需要进行逻辑推理和模式识别,而这往往是纯神经网络模型所面临的挑战。NLM在这类任务中的完美泛化表明,它有效地结合了神经网络的模式学习能力和逻辑推理的规则应用能力。 NLM作为一种神经逻辑架构,为机器学习领域提供了一个新的研究方向,它在归纳学习和逻辑推理方面表现出了巨大的潜力,特别是在需要进行结构化信息处理和逻辑操作的场景下,NLM可能成为一个强大的工具。这为未来深度学习模型与符号系统之间的融合提供了新的思路,有望推动人工智能在理解和解决复杂问题上取得更大的突破。
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/7459e45a452b4af28e3f7534473d480d_phker.jpg!1)
- 粉丝: 747
- 资源: 52
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- 新型矿用本安直流稳压电源设计:双重保护电路
- 煤矿掘进工作面安全因素研究:结构方程模型
- 利用同位素位移探测原子内部新型力
- 钻锚机钻臂动力学仿真分析与优化
- 钻孔成像技术在巷道松动圈检测与支护设计中的应用
- 极化与非极化ep碰撞中J/ψ的Sivers与cos2φ效应:理论分析与COMPASS验证
- 新疆矿区1200m深孔钻探关键技术与实践
- 建筑行业事故预防:综合动态事故致因理论的应用
- 北斗卫星监测系统在电网塔形实时监控中的应用
- 煤层气羽状水平井数值模拟:交替隐式算法的应用
- 开放字符串T对偶与双空间坐标变换
- 煤矿瓦斯抽采半径测定新方法——瓦斯储量法
- 大倾角大采高工作面设备稳定与安全控制关键技术
- 超标违规背景下的热波动影响分析
- 中国煤矿选煤设计进展与挑战:历史、现状与未来发展
- 反演技术与RBF神经网络在移动机器人控制中的应用
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)