Neuro-Symbolische Integration bezeichnet ein hybrides KI-Paradigma, das neuronale Netzwerke (NN) mit symbolischen KI-Methoden kombiniert, um sowohl subsymbolische Mustererkennung als auch symbolisches reasoning zu ermöglichen.
Formal lässt sich dies als Kombination von Funktionen \(f_{NN}\) und symbolischen Operatoren \(S\) verstehen, wobei \(f_{NN}\) auf Rohdaten arbeitet und latente Repräsentationen erzeugt, die anschließend durch symbolische Logik \(S\) interpretiert und manipuliert werden:
\[ y = S(f_{NN}(x), K) \]
wobei \(K\) symbolisches Wissen repräsentiert.
Diese Integration adressiert die Kompromisse zwischen Generalisierung und Interpretierbarkeit, indem sie neuronale Modelle mit explizitem Wissen koppelt.
Bekannte Ansätze umfassen Modelle wie Neural Theorem Provers (Rocktäschel & Riedel, 2017) oder Differentiable Inductive Logic Programming (Evans & Grefenstette, 2018).
Definition:
„Neuro-Symbolische Integration ist ein hybrides KI-Paradigma, das neuronale Netze und symbolische KI-Systeme vereint, um sowohl datengetriebene Mustererkennung als auch logisches reasoning in einem Modell zu ermöglichen.“
Quelle:
Garcez, A. d. A., Lamb, L. C., & Gabbay, D. M. (2019). Neural-Symbolic Cognitive Reasoning. Springer.