mnist图片缺失 97%的像素,mnist add准确率84%;及15位的加法训练
paper: Neural-Probabilistic Answer Set Programming
SLASH: EMBRACING PROBABILISTIC CIRCUITS INTO
NEURAL ANSWER SET PROGRAMMING
论文概要:
结合神经网络的稳健性和符号方法的表达能力的目 标重新点燃了人们对神经符号 AI 的兴趣。一个特别有趣的研究分支是深度概率编程语言 (DPPL), 它通过深度神经网络的概率估计来执? 概率逻辑编程。然而, 最近的 SOTA DPPL 方法仅允许有限的条件概率查询, 并且不提供真正的联合概率估计的能力。在我们的工作中, 我们建议在 DPPL 中轻松集成易处理的概率推理。为此, 我们介绍了 SLASH, 这是一种新颖的 DPPL, 它由神经概率谓词 (NPP) 和逻辑程序组成, 通过答案集编程联合起来。
NPP 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统一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, 用于通过调整谓词的原子符号来回答各种类型的概率查询。我们在 MNIST 添加的基准任务以及 DPPL 的新任务(如缺失数据预测、 生成学习和具有最先进性能的集合预测) 上评估 SLASH, 从而展示了我们方法的有效性和通用性。
论文观点:
最近最先进的 DPPL, 例如 DeepProbLog(Manhaeve 等人, 2018 年) 和 NeurASP(Yang、 Ishay 和 Lee, 2020 年) 允许进行条件类概率估计, 因为这两项工作都基于神经谓词进行概率估计。尽管某些任务可能只需要条件类别概率, 但我们认为, 对于 DPPL的整体表达和利用能力, 还需要能够整合和处理联合概率估计。世界是不确定的, 并且经常有必要在设置中进行推理, 例如, 在其中观察变量可能丢失甚至被操纵。
架构:
实验:
个人运行实验结果:mnist 图片缺失 85%的像素情况下,准确率依然能到89%的准确率
其他minist add 代码:
https://pylon-lib.github.io/notebooks/mnist_addition pylon
https://github.com/ML-KULeuven/deepproblog/blob/master/src/deepproblog/examples/MNIST/README.md
A-NeSI: A Scalable Approximate Method for Probabilistic Neurosymbolic Inference:A-NeSI is the first end-to-end method to scale the Multi-digit MNISTAdd benchmark to sums of 15 MNIST digits,
实验截图:
第七行 drop_out 85%. test 89%准确率
实验2 dropout 91% test 83%。
https://github.com/askrix/SLASH
欢迎交流。
相关文章
- 在 Go 里用 CGO?这 7 个问题你要关注!
- 9款优秀的去中心化通讯软件 Matrix 的客户端
- 求职数据分析,项目经验该怎么写
- 在OKR中,我看到了数据驱动业务的未来
- 火山引擎云原生大数据在金融行业的实践
- OpenHarmony富设备移植指南(二)—从postmarketOS获取移植资源
- 《数据成熟度指数》报告:64%的企业领袖认为大多数员工“不懂数据”
- OpenHarmony 小型系统兼容性测试指南
- 肯睿中国(Cloudera):2023年企业数字战略三大趋势预测
- 适用于 Linux 的十大命令行游戏
- GNOME 截图工具的新旧截图方式
- System76 即将推出的 COSMIC 桌面正在酝酿大变化
- 2GB 内存 8GB 存储即可流畅运行,Windows 11 极致精简版系统 Tiny11 发布
- 迎接 ecode:一个即将推出的具有全新图形用户界面框架的现代、轻量级代码编辑器
- loongarch架构介绍(三)—地址翻译
- Go 语言怎么解决编译器错误“err is shadowed during return”?
- 敏捷:可能被开发人员遗忘的部分
- Denodo预测2023年数据管理和分析的未来
- 利用数据推动可持续发展
- 在 Vue3 中实现 React 原生 Hooks(useState、useEffect),深入理解 React Hooks 的