Le traitement symbolique neuronal désigne des approches qui combinent l’apprentissage des réseaux neuronaux avec la représentation symbolique des connaissances et le raisonnement logique.
Formellement, il intègre des modèles neuronaux différentiables f_θ avec des structures symboliques S, où S est constitué d’expressions formelles, de règles ou de graphes utilisés pour les inférences.
Par exemple, des modules logiques différentiables (par ex. Logic Tensor Networks) peuvent être intégrés dans des réseaux neuronaux afin d’assurer la cohérence logique pendant l’entraînement.
Une approche typique formule l’apprentissage comme une optimisation d’une fonction de perte L, basée à la fois sur les prédictions neuronales et sur des contraintes symboliques :
\[ L = L_{neural} + \lambda L_{symbolic} \]
où \( L_{symbolic} \) mesure la violation des règles symboliques et \( \lambda \) est un paramètre de pondération.
Le traitement symbolique neuronal répond aux défis d’interprétabilité, de généralisation et d’intégration des connaissances dans les systèmes d’IA.
Définition :
« Le traitement symbolique neuronal est une approche hybride de l’IA qui combine des modèles d’apprentissage neuronaux avec des connaissances symboliques et un raisonnement logique afin de permettre une intelligence explicable et généralisable. »
Source :
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.