.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
神经符号学习领域的最新进展，例如DeepProbLog，通过神经谓词扩展了概率逻辑程序。与图模型类似，这些概率逻辑程序定义了可能世界上的一个概率分布，对此进行推理计算复杂度很高。我们提出了DeepStochLog，一种基于随机确定性子句文法（一种随机逻辑程序）的替代性神经符号框架。更具体地说，我们将神经文法规则引入随机确定性子句文法，以创建一个能够端到端训练的框架。我们证明，在神经随机逻辑编程中的推理和学习比神经概率逻辑程序的可扩展性要好得多。此外，实验评估表明，DeepStochLog在具有挑战性的神经符号学习任务上达到了最先进的结果。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息