论文页面 - A Foundation Model for Zero-Shot Logical Rule Induction

来源：https://huggingface.co/papers/2605.04916

摘要

神经规则归纳器（Neural Rule Inducer, NRI）通过利用域无关的统计属性表示字面量，并使用并行解码来保持逻辑析取中的排列不变性，从而实现了零样本规则归纳。

归纳逻辑编程（https://huggingface.co/papers?q=Inductive%20Logic%20Programming）（ILP）旨在从数据中学习可解释的逻辑规则。现有方法属于转导式学习：其学习到的参数绑定于特定的谓词，因此针对每个新任务都需要重新训练。我们引入了神经规则归纳器（NRI），这是一个用于零样本规则归纳（https://huggingface.co/papers?q=zero-shot%20rule%20induction）的预训练模型（https://huggingface.co/papers?q=pretrained%20model）。NRI 不对字面量身份进行编码，而是使用域无关的统计属性（如类条件比率、熵和共现性）来表示字面量，这些属性无需重新训练即可在不同的变量身份和数量之间泛化。该模型由一个统计编码器（https://huggingface.co/papers?q=statistical%20encoder）和一个基于并行槽位的解码器（https://huggingface.co/papers?q=slot-based%20decoder）组成。并行解码保持了逻辑析取（https://huggingface.co/papers?q=logical%20disjunction）的排列不变性（https://huggingface.co/papers?q=permutation%20invariance）；而自回归解码器（https://huggingface.co/papers?q=autoregressive%20decoder）则会强加任意的子句顺序。积 T-范数松弛（https://huggingface.co/papers?q=Product%20T-norm%20relaxation）使得规则执行变得可微，从而允许仅基于预测准确率进行端到端训练。我们在规则恢复、对标签噪声和虚假相关性的鲁棒性，以及向现实世界基准的零样本迁移等方面对 NRI 进行了评估。我们认为这项工作开启了对符号推理的基础模型的可能性。代码和参考检查点可在 https://github.com/phuayj/neural-rule-inducer 获取。

查看 arXiv 页面 (https://arxiv.org/abs/2605.04916) 查看 PDF (https://arxiv.org/pdf/2605.04916) 项目页面 (https://yinjunphua.com/papers/nri/) GitHub1 (https://github.com/phuayj/neural-rule-inducer) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.04916)

在您的 agent 中获取这篇论文：

hf papers read 2605\.04916

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 1

phuayj/neural-rule-inducer 表格分类• 更新于约 17 小时前 • 68 (https://huggingface.co/phuayj/neural-rule-inducer)

引用此论文的数据集 0

没有与此论文链接的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2605.04916 以从此页面建立链接。

引用此论文的 Space 0

没有与此论文链接的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2605.04916 以从此页面建立链接。

包含此论文的合集 0

没有包含此论文的合集

将此论文添加到合集 (https://huggingface.co/new-collection) 以从此页面建立链接。