MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016933889
■00520240214101452
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379671976
■035    ▼a(MiAaPQ)AAI30526201
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aHu,  Ziniu.
■24510▼aMake  Knowledge  Computable:  Towards  Differentiable  Neural-Symbolic  AI▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Los  Angeles.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(207  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Sun,  Yizhou.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThis  thesis  addresses  the  intersection  of  neural  and  symbolic  artificial  intelligence  systems.  Recent  deep  learning  methods  could  memorize  vast  amount  of  world  knowledge,  but  still  have  their  limitation  to  conduct  symbolic  reasoning  over  them;  while  symbolic  AI  is  good  at  solving  reasoning  tasks,  but  is  inefficient  for  adapting  to  new  knowledge.  Prior  efforts  that  bridge  the  two  worlds  mainly  focus  on  building  parsing-based  systems,  which  require  lots  of  annotated  intermediate  labels  and  hard  to  scale.My  ultimate  research  goal  is  to  enable  neural  model  to  interact  with  symbolic  reasoning  module  in  a  differentiable  manner,  and  train  such  Neural-Symbolic  model  end-to-end  without  intermediate  labels.  To  bring  this  vision  about,  I  have  conducted  works  on:1.  Designing  Novel  Reasoning  Module:  design  differentiable  neural  modules  that  can  conduct  symbolic  reasoning,  including  knowledge  graph  reasoning  and  complex  Logical  inference.2.  Learning  via  Self-Supervision:  train  the  neural  model  via  self-supervision  from  structural  and  symbolic  knowledge  base  without  additional  annotation.3.  Generalizing  across  Domains:  the  modular  design  of  neural-symbolic  system  by  its  nature  help  to  generalize  better  for  Out-of-Distribution,  Out-of-Vocabulary,  cross-lingual  and  cross-type.Putting  these  pieces  together,  I  am  pursuing  the  ultimate  vision  to  build  end-to-end  Neural-Symbolic  system  that  has  the  capacity  of  reasoning,  advancing  to  true  human  intelligence.
■590    ▼aSchool  code:  0031.
■650  4▼aComputer  science.
■653    ▼aData  mining
■653    ▼aDeep  learning
■653    ▼aKnowledge  graph
■653    ▼aMachine  learning
■653    ▼aNatural  language  processing
■653    ▼aNeural-Symbolic  AI
■690    ▼a0984
■690    ▼a0800
■71020▼aUniversity  of  California,  Los  Angeles▼bComputer  Science  0201.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933889▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books