标签
一篇综述论文，分析了50多个神经符号AI系统，从语义、表达能力、神经网络集成和评估等方面比较了Datalog、答案集编程和概率逻辑程序，并提供了决策矩阵和开放问题路线图，以指导基于规则语言的选型。
查尔姆斯理工大学的研究人员开发出一种闭环AI科学家，能够生成生物学假设、通过实验室机器人设计并执行实验，并从结果中学习。他们以酵母为对象进行测试，共产生了1,933个候选假设。
本文引入归纳逻辑编程来提取强化学习策略的符号化表示，并提出了新颖的可解释性度量（激活率、特征覆盖度、语法距离和语义距离），用于在单智能体和多智能体设置中进行客观评估。
本文提出了一种两阶段的神经符号框架，利用弱监督（仅需 1% 的标签）结合基于 Slot 的变分自编码器（VAE），学习用于以对象为中心的视觉推理的可解释符号，在领域泛化方面优于基础模型。
本文介绍了gammaILP，一个完全可微的框架，能够直接从图像数据中学习一阶规则，且无标签泄露，解决了符号接地和谓词发明等挑战。
本文介绍了神经规则归纳器（NRI），这是一种用于零样本逻辑规则归纳的基础模型，它利用与领域无关的统计特性，无需重新训练即可跨任务进行泛化。