El procesamiento simbólico neuronal se refiere a enfoques que combinan el aprendizaje de redes neuronales con la representación simbólica del conocimiento y el razonamiento lógico.
Formalmente, integra modelos neuronales diferenciables f_θ con estructuras simbólicas S, donde S consiste en expresiones formales, reglas o grafos que se utilizan para inferencias.
Por ejemplo, módulos lógicos diferenciables (p. ej., Logic Tensor Networks) pueden integrarse en redes neuronales para garantizar la consistencia lógica durante el entrenamiento.
Un enfoque típico formula el aprendizaje como la optimización de una función de pérdida L, que se basa tanto en predicciones neuronales como en restricciones simbólicas:
\[ L = L_{neural} + \lambda L_{symbolic} \]
donde \( L_{symbolic} \) mide la violación de reglas simbólicas y \( \lambda \) es un parámetro de ponderación.
El procesamiento simbólico neuronal aborda los desafíos de interpretabilidad, generalización e integración del conocimiento en sistemas de IA.
Definición:
«El procesamiento simbólico neuronal es un enfoque híbrido de IA que combina modelos de aprendizaje neuronal con conocimiento simbólico y razonamiento lógico para permitir una inteligencia explicable y generalizable.»
Fuente:
Garcez, A. d’Avila, Lamb, L. C., & Gabbay, D. M. (2019). Neural-Symbolic Computing: An Effective Methodology for Principled Integration of Machine Learning and Reasoning. Frontiers in Artificial Intelligence and Applications, 320.