这篇论文表明，通过神经符号模型的视角来看待智能系统比传统的深度学习方法有几个好处。神经符号模型包含符号程序性构造，如循环、条件和连续的神经成分。符号部分使模型具有可解释性、泛化性和稳健性，而神经部分处理智能系统的复杂性。具体而言，本文提出了两类神经符号模型——状态机和神经符号transformers，并以基于强化学习的自主系统和多机器人系统为例对它们进行了评估。这些案例研究表明，学习的神经符号模型是人类可读的，可以外推到看不见的场景，并可以处理规范中的稳健目标。为了有效地学习这些神经符号模型，我们引入了利用机器学习和程序合成的最新技术的神经符号学习算法。
https://dspace.mit.edu/handle/1721.1/143249
成为VIP会员查看完整内容
Neurosymbolic Learning for Robust and Reliable Intelligent Systems
相关内容
麻省理工学院（Massachusetts Institute of Technology，MIT）是美国一所研究型私立大学，位于马萨诸塞州（麻省）的剑桥市。麻省理工学院的自然及工程科学在世界上享有极佳的盛誉，该校的工程系曾连续七届获得美国工科研究生课程冠军，其中以电子工程专业名气最响，紧跟其后的是机械工程。其管理学、经济学、哲学、政治学、语言学也同样优秀。
Arxiv
0+阅读 · 2022年8月24日
Arxiv
0+阅读 · 2022年8月23日
Arxiv
0+阅读 · 2022年8月23日
相关主题
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2022年8月24日
Arxiv
0+阅读 · 2022年8月23日
Arxiv
0+阅读 · 2022年8月23日
微信扫码咨询专知VIP会员