Le raisonnement neuro-symbolique désigne l'intégration de modèles d'apprentissage neuronaux f_θ avec des représentations symboliques des connaissances S et des opérateurs de raisonnement logiques R pour améliorer l'explicabilité et la capacité d'inférence.
Formellement, des fonctions neuronales différentiables f_θ sont combinées avec des structures symboliques S (par exemple, des formules logiques, des graphes de connaissances), tandis que des opérateurs de raisonnement R sont appliqués sur S pour tirer des conséquences logiques.
Un exemple est celui des Logic Tensor Networks (LTNs), qui intègrent des règles logiques en tant que contraintes différentiables dans des réseaux neuronaux, permettant ainsi l'entraînement avec des connaissances symboliques :
\[ L = L_{data} + \lambda L_{logic} \]
où \(L_{logic}\) mesure la violation des règles symboliques et \(\lambda\) en contrôle le poids.
Le raisonnement neuro-symbolique aborde des défis centraux de l'IA, tels que l'interprétabilité, l'intégration des connaissances et la généralisation robuste à travers des représentations symboliques et subsymboliques.
Définition :
« Le raisonnement neuro-symbolique est une approche hybride de l'IA qui combine des modèles d'apprentissage neuronaux avec une représentation symbolique des connaissances et un raisonnement logique, afin de permettre des inférences explicables et généralisables. »
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.