DeepMind提出可微分邏輯編程，結合深度學習與符號程序優點

夏乙 編譯自 DeepMind Blog

量子位 出品 | 公眾號 QbitAI

神經網路的強大功能有目共睹，但它往往需要大量與目標測試領域數據分布相似的訓練數據；而用於符號領域的歸納邏輯編程只需少量數據，卻無法對抗雜訊，適用領域也很狹窄。

DeepMind在最近發表的一篇論文中，提出了可微分歸納邏輯編程方法?ILP，既能解決傳統歸納邏輯編程擅長的符號類任務，也對雜訊數據、訓練集中的誤差有一定容忍度，還可以通過梯度下降來訓練。

怎麼樣？我們來看看DeepMind在官方博客上對這種方法的解讀：

想像一下踢足球的場景，球到了你腳下，你決定把它傳給沒人盯防的前鋒。這個看似簡單的行為，需要兩種不同的思維。

首先，你認識到自己腳下有一個球，這需要的是直觀的感性思維——你沒辦法簡單地描述出你是怎麼知道腳下有個球的。

其次，你決定把球傳給特定的一個前鋒。這個決策需要概念性思維，你的決定依賴於理由——你把球傳給這個前鋒的原因，是沒有人盯防她。

這種區別對我們來說很有意思，因為這兩類思維對應著兩種不同的機器學習方法：深度學習和符號程序合成（symbolic program synthesis）。

深度學習專註於直觀的感性思維，而符號程序合成專註於概念性的、基於規則的思考。這兩個系統各有各的優點，深度學習系統能適用於雜訊數據，但難以解釋，而且需要大量訓練數據；符號系統更易於解釋，需要的訓練數據也更少，但一遇到雜訊數據就不行了。

人類認知將這兩種截然不同的思維方式無縫結合在了一起，但想要把這種結合複製到一個AI系統里，我們還不太清楚是否可能、如何做到。

我們最近在《JAIR》期刊（Journal of AI Research）上發表的論文表明，系統可以將直觀的感性思維和概念性的可解釋推理結合起來。我們所描述的?ILP（可微分歸納邏輯編程，Differentiable Inductive Logic Programming）系統具有下列特性：抗雜訊、數據上很經濟、能產生可解釋的規則。

我們用一個歸納任務來演示?ILP的工作原理：

已知一對表示數字的圖片，系統需要根據左側圖像數字是否小於右側圖像的數字，輸出0或1的標籤，如下圖所示：

解決這個問題涉及兩種思維方式。從圖像中認出數字，需要直觀的感性思維；要整體理解「小於」關係，則需要概念性的思考。

其實，如果給標準的深度學習模型（例如帶有MLP的卷積神經網路）提供足夠的訓練數據，它能學會有效地解決這個問題，訓練完成後給它一對從未見過的新圖像，它也可以正確分類。

但實際上，只有每對數字你都給它多個樣例，它才能正確地泛化。這個模型擅長視覺上的泛化，比如說測試集中的每一對數字它都見過了，要泛化到新的圖像，就很容易（見下圖綠色方塊）。但它不適用於符號的泛化，比如說它就不能泛化到從未見過的數字（見下圖藍色方塊）。

馬庫斯（Gary Marcus）、Joel Grus等研究者最近都撰文指出了這一點。

不同於標準的神經網路，?ILP能夠進行符號的泛化；它和標準的符號程序也不一樣，可以進行視覺上的泛化。?ILP從樣例中學習可讀、可解釋、可驗證的，明確的程序。已知部分樣例（也就是預期的結果，下圖中的desired results），?ILP能生成一個滿足需求的程序。它用梯度下降從程序空間中搜索，如果程序的輸出與參考數據需要的輸出相衝突，系統就會修改程序以更好地匹配數據。

?ILP的訓練過程如下圖所示：

?ILP能進行符號性的泛化，給它足夠多x

上圖總結了我們的「小於」實驗：藍色曲線表示標準的深度神經網路，無法正確泛化到從未見過的數字對，相比之下，在只用40%數字對訓練過的情況下，綠色曲線表示的?ILP依然能保持較低的測試誤差。這表明，?ILP能夠進行符號性的泛化。

我們相信，對於深度神經網路中是否能夠實現符號泛化這個問題，我們的系統能夠在某種程度上給予答案。今後，我們計劃將類似?ILP的系統集成到強化學習智能體以及更大的深度學習模塊中，賦予系統推理、反應的能力。

相關論文：

Learning Explanatory Rules from Noisy Data

Richard Evans, Edward Grefenstette

http://www.jair.org/media/5714/live-5714-10391-jair.pdf

原文地址：

https://deepmind.com/blog/learning-explanatory-rules-noisy-data/

—完—

活動報名

加入社群

量子位AI社群13群開始招募啦，歡迎對AI感興趣的同學，加小助手微信qbitbot4入群；

此外，量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募，面向正在從事相關領域的工程師及研究人員。

進群請加小助手微信號qbitbot5，並務必備註相應群的關鍵詞~通過審核後我們將邀請進群。（專業群審核較嚴，敬請諒解）

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！