Нейронная символическая обработка обозначает подходы, которые объединяют обучение нейронных сетей с символическим представлением знаний и логическим выводом.
Формально она интегрирует дифференцируемые нейронные модели f_θ с символическими структурами S, где S состоит из формальных выражений, правил или графов, используемых для вывода.
Например, дифференцируемые логические модули (например, Logic Tensor Networks) могут быть встроены в нейронные сети для обеспечения логической согласованности во время обучения.
Типичный подход формулирует обучение как оптимизацию функции потерь L, которая основана как на нейронных предсказаниях, так и на символических ограничениях:
\[ L = L_{neural} + \lambda L_{symbolic} \]
где \( L_{symbolic} \) измеряет нарушение символических правил, а \( \lambda \) — параметр взвешивания.
Нейронная символическая обработка решает задачи интерпретируемости, обобщения и интеграции знаний в системах ИИ.
Определение:
«Нейронная символическая обработка — это гибридный подход в ИИ, который сочетает нейронные модели обучения с символическими знаниями и логическим выводом для обеспечения объяснимого и обобщаемого интеллекта.»
Источник:
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.