.png){kind=icon}
返回
Efficient deep neural unification in symbolic processing
.png){kind=icon}
OA
AI
DOI：10.1007/s00521-025-11512-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
统一是符号处理中进行推理不可或缺的。作者提出了一种基于神经网络的解决方案来执行高效的统一。传统人工智能中的符号处理具有较强的推理能力，但不适用于处理大量模糊数据。相比之下，神经网络可以轻松处理大量模糊数据，但不适用于进行复杂推理。因此，作者通过结合记忆网络和循环神经网络的网络，实现了包含模糊数据的知识库统一。所提出网络的创新之处在于，作为统一过程的匹配高效且作为统一过程的替换稳健。所提出的网络通过将多个术语分组并在记忆网络中处理，实现了高效的匹配。此外，它能够在替换过程中处理未知词汇，因为它使用循环神经网络执行替换。实验结果表明，所提出的网络能够比基线更高效地统一模糊数据。本研究结合了符号处理和深度学习，并表明它有助于实现从大量模糊数据中进行复杂推理，这在传统研究中已被证明具有挑战性。此外，处理大量模糊数据的统一方法促进了具有人机交互界面的推理系统的发展。这使得人类可以在不了解知识库表示的情况下获取推理结果。
Keyword:
Neuro-symbolic AI
Deep learning
Unification
Prolog
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.5
论文数:
886
被引数:
3.2W
机构
引用论文
Fast relational learning using bottom clause propositionalization with artificial neural networks.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏分享收藏
查看更多内容