【MILA-唐建】学习知识图谱推理的符号逻辑规则，附视频与PPT

在这次演讲中，我将介绍我们在学习知识图推理逻辑规则方面的最新进展。逻辑规则在用于预测和推广到其他任务时提供了可解释，因此是学习的关键。现有的方法要么面临在大搜索空间中搜索的问题(如神经逻辑编程)，要么由于稀疏奖励而无效优化(如基于强化学习的技术)。为了解决这些局限性，本文提出了一个称为RNNLogic的概率模型。RNNLogic将逻辑规则视为一个潜在变量，同时用逻辑规则训练规则生成器和推理预测器。我们开发了一种基于EM的优化算法。在每次迭代中，推理预测器首先更新，以探索一些生成的逻辑规则进行推理。在E-step中，我们通过后验推理从所有生成的规则中选取一组既有规则生成器又有推理预测器的高质量规则;而在M步中，规则生成器将用E步中选择的规则进行更新。在四个数据集上的实验证明了RNNLogic的有效性。

视频：

https://www.youtube.com/watch?v=Go6_6oCzl-k

唐建，加拿大蒙特利尔学习算法研究院 (MILA) 以及加拿大蒙特利尔大学商学院助理教授、博士生导师。主要研究方向为：图表示学习、图研究网络、知识图谱、药物发现。曾获得机器学习顶级会议ICML2014的最佳论文以及数据挖掘顶级会议WWW‘16的最佳论文提名。发表了一系列在图表示学习领域的经典论文包括LINE、LargeVis、RotatE以及最近的Graph Markov Neural Networks (GMNN)。

https://jian-tang.com/

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“SRKG” 可以获取《【MILA-唐建】学习知识图谱推理的符号逻辑规则，附视频与PPT》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源