面向专家的神经符号集成解释

神经符号集成指的是一种混合型人工智能范式，将神经网络（NN）与符号人工智能方法结合，以实现子符号模式识别和符号推理。

形式上可以理解为函数 \(f_{NN}\) 与符号算子 \(S\) 的组合，其中 \(f_{NN}\) 作用于原始数据并生成潜在表示，随后通过符号逻辑 \(S\) 进行解释和操作：

\[ y = S(f_{NN}(x), K) \]

其中 \(K\) 代表符号知识。

这种集成解决了泛化能力与可解释性之间的权衡，通过将神经模型与显式知识相结合。

知名方法包括神经定理证明器（Neural Theorem Provers，Rocktäschel & Riedel, 2017）或可微归纳逻辑编程（Differentiable Inductive Logic Programming，Evans & Grefenstette, 2018）等模型。

定义：
“神经符号集成是一种混合型人工智能范式，融合神经网络与符号人工智能系统，以在单一模型中实现数据驱动的模式识别和逻辑推理。”

来源：
Garcez, A. d. A., Lamb, L. C., & Gabbay, D. M. (2019). Neural-Symbolic Cognitive Reasoning. Springer.