Нейро-символическое рассуждение обозначает интеграцию нейронных моделей обучения f_θ с символическими представлениями знаний S и логическими операторами рассуждения R для улучшения объяснимости и способности делать выводы.
Формально дифференцируемые нейронные функции f_θ комбинируются с символическими структурами S (например, логическими формулами, графами знаний), при этом операторы рассуждения R применяются к S для вывода логических следствий.
Примером являются Logic Tensor Networks (LTNs), которые внедряют логические правила в виде дифференцируемых ограничений в нейронные сети, что позволяет обучение с использованием символических знаний:
\[ L = L_{data} + \lambda L_{logic} \]
где \(L_{logic}\) измеряет нарушение символических правил, а \(\lambda\) регулирует их вес.
Нейро-символическое рассуждение решает ключевые задачи ИИ, такие как интерпретируемость, интеграция знаний и надёжная генерализация через символические и подсмысловые представления.
Определение:
«Нейро-символическое рассуждение — это гибридный подход в ИИ, который сочетает нейронные модели обучения с символическим представлением знаний и логическим рассуждением для обеспечения объяснимых и обобщаемых выводов.»
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.