★ 3
软本体先验缓解弱监督神经符号学习推理捷径
论文针对弱监督神经符号预测器的推理捷径问题，在训练目标中注入潜在概念的软本体先验，并与任务约束一起编译为平滑可分解的概率电路。软编译把专家公理放入电路权重而非支撑集，使有噪公理只重分配先验质量而不会清空支撑集。作者证明硬支撑版本可被单条损坏公理退化，并在 BDD-OIA 驾驶基准上验证。
arXiv cs.AI10 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文针对弱监督神经符号预测器的推理捷径问题，在训练目标中注入潜在概念的软本体先验，并与任务约束一起编译为平滑可分解的概率电路。软编译把专家公理放入电路权重而非支撑集，使有噪公理只重分配先验质量而不会清空支撑集。作者证明硬支撑版本可被单条损坏公理退化，并在 BDD-OIA 驾驶基准上验证。
神经符号模型常仅以最终标签监督，导致中间概念未被观测，出现“推理捷径”。研究提出Soft-PNet，将概念接地重构为在预计算可行符号解缓存上的Metropolis游走，由每个概念单个标注锚点构建的原型分布引导，并以统一的KL目标训练。在MNIST-EvenOdd、Visual Sudoku和Kan…