此外,人类可以从少量的经验中学习[7,8],但 dnn 如 transformers[9–13]需要大量的数据集才能在特定任务中取得良好的性能[14]。...我们提出了一种计算高效的学习算法,用于 NEUMANN 从视觉场景中学习复杂程序。NEUMANN 执行基于梯度的评分和可区分的采样,避免对候选子句评分的嵌套循环。
3....我们的经验表明,诺依曼解决视觉推理任务,如 Kandin- sky 模式[23]和CLEVR-Hans [24]使用更少的内存比传统的可微分正向推理机,优于神经基线。...这个特性对于将学习和推理与神经网络紧密集成至关重要,
如第442节所示,NEUMANN 可以使用基于梯度的 XAI 方法有效地产生与感知网络一起工作的视觉解释,而如果没有额外的硬编码,用纯符号系统很难产生相同的结果...此外,诺依曼允许在复杂的逻辑程序上使用函子进行可微推理,因此可以用于重要的应用,如规划、元解释器和知识增强基础模型。