El razonamiento neuro-simbólico se refiere a la integración de modelos neuronales de aprendizaje f_θ con representaciones simbólicas del conocimiento S y operadores lógicos de razonamiento R para mejorar la explicabilidad y la capacidad de inferencia.
Formalmente, se combinan funciones neuronales diferenciables f_θ con estructuras simbólicas S (por ejemplo, fórmulas lógicas, grafos de conocimiento), aplicando operadores de razonamiento R sobre S para extraer consecuencias lógicas.
Un ejemplo son las Redes Tensoriales Lógicas (LTNs), que incorporan reglas lógicas como restricciones diferenciables en redes neuronales, permitiendo así el entrenamiento con conocimiento simbólico:
\[ L = L_{data} + \lambda L_{logic} \]
donde \(L_{logic}\) mide la violación de reglas simbólicas y \(\lambda\) controla su ponderación.
El razonamiento neuro-simbólico aborda desafíos centrales de la IA, como la interpretabilidad, la integración del conocimiento y la generalización robusta a través de representaciones simbólicas y subsimbólicas.
Definición:
«El razonamiento neuro-simbólico es un enfoque híbrido de IA que combina modelos neuronales de aprendizaje con representación simbólica del conocimiento y razonamiento lógico para posibilitar inferencias explicables y generalizables.»
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.