Heuristic Backward Chaining Based on Predicate Tensorization

Sakharov, Alexander

doi:10.1007/978-3-030-77445-5_52

亚历山大·萨哈罗夫¹⁰

系列丛书的一部分：网络与系统课程讲稿（（LNNS，第229卷）

包含在以下会议系列中：

计算机科学在线会议

759访问
1 引文

摘要

一阶逻辑或其片段的推理方法天生速度慢。神经网络使快速逼近基态原子的真值成为可能，但结果无法解释，也不一定准确。本文提出了一种神经-符号混合推理方法。它是一个框架，用于将谓词张量技术纳入反向链接及其扩展。通过谓词的张量表示定义了反向链接的最佳优先搜索策略的启发式函数。这些策略通过减少回溯来加速推理。

这是订阅内容的预览，通过机构登录以检查访问。

访问本章

通过机构登录

第章: 29.95欧元; 价格包括增值税（中国）

电子书: 139.09欧元; 价格包括增值税（中国）

软封面书籍: 169.99欧元; 价格不含增值税（中国）

税务计算将在结账时完成

购买仅供个人使用

机构认购

工具书类

Chang，C.L.，Lee，R.C.T.：符号逻辑和机械定理证明。剑桥大学学术出版社（1973）
谷歌学者
Chen，R.，Gotsman，C.：路线图中高效的最快路径计算。arXiv预印本arXiv:1810.01776(2018)
Cingillioglu，N.，Russo，A.：深度逻辑：走向端到端可微逻辑推理。在：AAAI关于将机器学习与知识工程相结合的2019春季研讨会，第2350卷。CEUR-WS.org（2019年）
谷歌学者
Cohen，W.，Yang，F.，Mazaitis，K.R.：Tensorlog：使用深度学习基础设施实现的概率数据库。J.阿蒂夫。因特尔。物件。67, 285–325 (2020)
第条数学科学网数学谷歌学者
Dong，H.，Mao，J.，Lin，T.，Wang，C.，Li，L.，Zhou，D.：神经逻辑机。参加：国际学习代表大会（2019年）
谷歌学者
d'Avila Garcez，A.S.、Gori，M.、Lamb，L.C.、Serafini，L.、Spranger，M.和Tran，S.N.：神经符号计算：机器学习和推理原则整合的有效方法。J.应用。逻辑6(4), 611–632 (2019)
数学科学网数学谷歌学者
Kimmig，A.，Demoen，B.，De Raedt，L.，Costa，V.S.，Rocha，R.：关于概率逻辑编程语言ProbLog的实现。arXiv预印本arXiv:1006.4442号(2010)
Knuth，D.E.：编程艺术，第2卷：半数值算法，第2册。Addison-Wesley，波士顿（1998）
谷歌学者
Lamb，L.C.，d'Avila Garcez，A.S.，Gori，M.，Prates，M.O.R.，Avelar，P.H.C.，Vardi，M.Y.：图形神经网络满足神经符号计算：调查与展望。摘自：第二十届国际人工智能联合会议记录，第4877–4884页（2020）
谷歌学者
Manhaeve，R.，Dumancic，S.，Kimmig，A.，Demester，T.，De Raedt，L.：DeepProbLog：神经概率逻辑编程。摘自：《神经信息处理系统进展》，第3749–3759页（2018年）
谷歌学者
马库斯：人工智能的下一个十年：走向强大人工智能的四个步骤。arXiv预印本arXiv:2002.06177号(2020)
Marra，G.、Giannini，F.、Diligenti，M.、Gori，M.：将学习和推理与深层逻辑模型相结合。摘自：数据库机器学习和知识发现联合欧洲会议，第517-532页（2019年）
谷歌学者
McCune，W.：Otter 3.3参考手册和指南。技术报告，阿贡国家实验室（2003）
谷歌学者
Minervini，P.，Bosnjak，M.，Rocktäschel，T.，Riedel，S.，Grefenstette，E.：基于大型知识库和自然语言的差异推理。摘自：《可解释人工智能知识图：基础、应用和挑战》，第125-142页。IOS出版社（2020）
谷歌学者
新泽西州尼尔森：《人工智能原理》。Morgan Kaufmann，马萨诸塞州（2014）
谷歌学者
Rocktäschel，T.：将表征学习与语言处理逻辑相结合。CoRR（2017）。http://arxiv.org/abs/1712.09687
Russell，S.，Norvig，P.：《人工智能：现代方法》。普伦蒂斯·霍尔出版社，第三版。(2009)
谷歌学者
Sakharov，A.：知识表示和学习的层次规则。摘自：IEEE第二届人工智能和知识工程国际会议，第167-171页（2019年）
谷歌学者
Sakharov，A.：结构化谓词定义的层次解析。摘自：第11届希腊人工智能会议，第202-210页（2020年）
谷歌学者
Sakharov，A.：一种基于学习谓词表示法的最佳后向搜索策略。在：第13届国际智能体与人工智能大会，第2卷，第982–989页（2021）
谷歌学者
Serafini，L.，d'Avila Garcez，A.S.：逻辑张量网络：数据和知识的深度学习和逻辑推理。摘自：第11届神经符号学习和推理国际研讨会，第1768卷。CEUR-WS.org（2016）
谷歌学者
Shen，Y.D.，Yuan，L.Y.，You，J.H.：循环检查带函数的逻辑程序。西奥。计算。科学。266(1–2), 441–461 (2001)
第条数学科学网数学谷歌学者
Stickel，M.E.：一个Prolog技术定理证明器：Prolog中的一个新的解释和实现。西奥。计算。科学。104(1), 109–128 (1992)
第条数学科学网数学谷歌学者
Swift，T.：表格逻辑编程的设计模式。摘自：Abreu，S.，Seipel，D.（编辑）《声明式编程和知识管理的应用》。INAP 2009。计算机科学课堂讲稿，第6547卷，第1-19页。斯普林格，海德堡（2009）。https://doi.org/10.1007/978-3-642-20589-7_1
Van Krieken，E.，Acar，E.，Van Harmelen，F.：使用可微推理的半监督学习。J.应用。逻辑6(4), 633–651 (2019)
数学科学网数学谷歌学者
Zhang，Y.，et al.：利用图神经网络进行有效的概率逻辑推理。参加：国际学习代表大会（2020年）
谷歌学者

下载参考资料

作者信息

作者和附属机构

Synstretch，美国马萨诸塞州弗雷明翰
亚历山大·萨哈罗夫

作者

亚历山大·萨哈罗夫
查看作者出版物
您还可以在中搜索此作者公共医学谷歌学者

通讯作者

与的通信亚历山大·萨哈罗夫.

编辑器信息

编辑和附属机构

捷克共和国兹林市托马斯·巴塔大学应用信息学学院
拉德克·西尔哈维

权利和权限

转载和许可

版权信息

关于本论文

引用本文

萨哈罗夫，A.（2021）。基于谓词张量化的启发式反向链接。收录：Silhavy，R.（编辑）《智能系统中的人工智能》。CSOC 2021。网络与系统课堂讲稿，第229卷。查姆施普林格。https://doi.org/10.1007/978-3-030-77445-5_52

下载引文

内政部:https://doi.org/10.1007/978-3-030-77445-5_52
出版:2021年7月16日
发布者名称:查姆施普林格
打印ISBN:978-3-030-77444-8
在线ISBN:978-3-030-77445-5
电子书包:智能技术和机器人智能技术和机器人（R0）

与我们一起发布

政策和道德

基于谓词张量化的启发式反向链接

摘要