L'intégration neuro-symbolique désigne un paradigme hybride d'IA qui combine les réseaux neuronaux (NN) avec des méthodes d'IA symbolique afin de permettre à la fois la reconnaissance de motifs subsymboliques et le raisonnement symbolique.
Formellement, cela peut être compris comme une combinaison des fonctions \(f_{NN}\) et des opérateurs symboliques \(S\), où \(f_{NN}\) travaille sur des données brutes et génère des représentations latentes qui sont ensuite interprétées et manipulées par la logique symbolique \(S\) :
\[ y = S(f_{NN}(x), K) \]
où \(K\) représente la connaissance symbolique.
Cette intégration traite les compromis entre généralisation et interprétabilité en couplant des modèles neuronaux avec des connaissances explicites.
Les approches connues incluent des modèles tels que Neural Theorem Provers (Rocktäschel & Riedel, 2017) ou Differentiable Inductive Logic Programming (Evans & Grefenstette, 2018).
Définition :
« L'intégration neuro-symbolique est un paradigme hybride d'IA qui unit les réseaux neuronaux et les systèmes d'IA symbolique afin de permettre à la fois la reconnaissance de motifs basée sur les données et le raisonnement logique dans un même modèle. »
Source :
Garcez, A. d. A., Lamb, L. C., & Gabbay, D. M. (2019). Neural-Symbolic Cognitive Reasoning. Springer.