可扩展的神经-概率答案集编程
摘要：结合神经网络的鲁棒性和符号方法的表达性是神经符号人工智能引起重视的目标。深度概率编程语言（DPPLs）已经此目标发展成为通过深度神经网络的概率估计进行概率逻辑编程。然而，最新的SOTA DPPL方法只允许有限的条件概率查询，并不能提供真正的联合概率估计的能力。在我们的工作中，我们提出了一种在DPPL中容易集成易处理的概率推理的方法。为此，我们引入了SLASH，这是一种新颖的DPPL，由神经概率谓词（NPPs）和逻辑程序组成，通过答案集编程（ASP）进行统一。NPPs是一种新颖的设计原则，允许将所有深度模型类型及其组合表示为单个概率谓词。在这种情况下，我们引入了一种新颖的$+/-$符号来通过调整谓词的原子符号回答各种类型的概率查询。为了良好扩展，我们展示了如何修剪（地面）程序中无关紧要的部分，加快推理速度而不损失预测性能。我们在各种不同的任务上评估了SLASH，包括MNIST加法和视觉问答（VQA）的基准任务。
作者：Arseny Skryagin and Daniel Ochs and Devendra Singh Dhami and Kristian Kersting
论文ID：2306.08397
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-06-16