Neuro-Symbolisches Reasoning bezeichnet die Integration neuronaler Lernmodelle f_θ mit symbolischen Wissensrepräsentationen S und logischen Reasoning-Operatoren R zur Verbesserung von Erklärbarkeit und Schlussfolgerungsfähigkeit.
Formal werden differentiable neuronale Funktionen f_θ mit symbolischen Strukturen S (z.B. Logikformeln, Wissensgraphen) kombiniert, wobei Reasoning-Operatoren R auf S angewandt werden, um logische Konsequenzen zu ziehen.
Ein Beispiel sind Logic Tensor Networks (LTNs), die Logikregeln als differenzierbare Constraints in neuronale Netze einbetten und so das Training mit symbolischem Wissen ermöglichen:
\[ L = L_{data} + \lambda L_{logic} \]
wobei \(L_{logic}\) die Verletzung symbolischer Regeln misst und \(\lambda\) deren Gewichtung steuert.
Neuro-Symbolisches Reasoning adressiert zentrale Herausforderungen der KI, wie Interpretierbarkeit, Wissensintegration und robuste Generalisierung über symbolische und subsymbolische Repräsentationen hinweg.
Definition:
„Neuro-Symbolisches Reasoning ist ein hybrider KI-Ansatz, der neuronale Lernmodelle mit symbolischer Wissensrepräsentation und logischem Reasoning kombiniert, um erklärbare und generalisierbare Schlussfolgerungen zu ermöglichen.“
Quelle:
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.