邏輯+AI
研究簡介
機(jī)器學習方法廣泛應用于大(dà)數據分(fēn)析領域。學術(shù)界和工(gōng)業界廣泛認爲當前的機(jī)器學習系統幾乎完全以統計(jì)學或盲模型的方式運行,結果背後隐藏的因果邏輯是一個黑(hēi)盒,限制了機(jī)器學習的應用。我們正在從(cóng)結構性的因果推理(lǐ)研究角度切入,用機(jī)器學習提高應用準确性,用規則保證結果可(kě)解釋性。同時,我們提出一個結合機(jī)器學習模型的新型規則系統,支持模型的即插即用,能夠處理(lǐ)數據中潛在的語義關聯關系。
研究領域
基于圖數據的結構建立機(jī)器學習輸入和輸出之間的邏輯關系;基于圖數據的層次、屬性、類别等詳盡的拓撲結構和關聯關系,研究如(rú)何有效地揭示機(jī)器學習在自(zì)然語言處理(lǐ)、智能問(wèn)答、語義模型分(fēn)析等領域的推理(lǐ)邏輯,從(cóng)而讓研究者進行定向優化,進一步提升機(jī)器學習的性能和擴展其應用範圍;研究邏輯和機(jī)器學習模型結合的新型規則系統,保持數據之間的邏輯推理(lǐ)關系的同時利用機(jī)器學習模型增強語義表達能力,真正做到模型和邏輯的統一。該規則系統經常被用在數據質量和關聯分(fēn)析等領域。
最新相(xiàng)關發表
-
DAIR: A Query-Efficient Decision-based Attack on Image Retrieval Systems
Mingyang Chen, Junda Lu, Yi Wang, Jianbin Qin, Wei Wang
The 44th International ACM SIGIR Conference on Research and Development in Information Retrieval, Virtual Event( SIGIR 2021)
-
Capturing Associations in Graphs
Wenfei Fan, Ruochun Jin, Muyang Liu, Ping Lu, Chao Tian, Jingren Zhou
International Conference on Very Large Data Bases (VLDB 2020)
-
Monotonic Cardinality Estimation of Similarity Selection: A Deep Learning Approach
Yaoshu Wang, Chuan Xiao, Jianbin Qin, Xin Cao, Yifang Sun, Wei Wang, Makoto Onizuka
ACM Conference on Management of Data (SIGMOD 2020)