MIT博士论文 | 使用神经符号学习的鲁棒可靠智能系统

论文链接：https://dspace.mit.edu/bitstream/handle/1721.1/143249/Inala-jinala-PhD-EECS-2022-thesis.pdf?sequence=1&isAllowed=y

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。