Propagazione Neurale delle Decisioni per un Efficiente Answer Set Programming
Un nuovo metodo chiamato decision-propagation (DProp) calcola modelli stabili alternando decisioni di falsità e propagazioni di verità, catturando la semantica dei modelli stabili. La sua estensione differenziabile, Neural DProp (NDProp), integra il calcolo neurale per le decisioni e la valutazione fuzzy per le propagazioni, consentendo l'apprendimento di euristiche decisionali e l'integrazione neuro-simbolica. Gli esperimenti mostrano che NDProp impara efficientemente a calcolare modelli stabili, migliorando la scalabilità rispetto ai risolutori classici. Il lavoro affronta un collo di bottiglia nell'IA neuro-simbolica sostituendo i tradizionali risolutori ASP con un approccio neurale.
Fatti principali
- 1. DProp alterna decisioni di falsità e propagazioni di verità.
- 2. I calcoli di DProp catturano la semantica dei modelli stabili.
- 3. NDProp è un'estensione differenziabile di DProp.
- 4. NDProp utilizza il calcolo neurale per le decisioni e la valutazione fuzzy per le propagazioni.
- 5. NDProp è valutato per l'apprendimento di euristiche decisionali e l'integrazione neuro-simbolica.
- 6. I risultati mostrano che NDProp può imparare a calcolare efficientemente modelli stabili.
- 7. Il metodo migliora la scalabilità rispetto ai risolutori ASP classici.
- 8. Il lavoro è pubblicato su arXiv con ID 2605.01797.
Entità
Istituzioni
- arXiv