Neuro-Symbolische KI bezeichnet hybride KI-Modelle, die neuronale Netzwerke mit symbolischer Wissensrepräsentation und logischem Reasoning kombinieren, um sowohl lernbasierte Mustererkennung als auch erklärbares Schlussfolgern zu ermöglichen.
Formell lassen sich neuro-symbolische Systeme als Paar \( (N, S) \) definieren, wobei \( N \) ein neuronales Netzwerk mit Parametern \( heta \) zur Verarbeitung unscharfer Daten ist, und \( S \) ein symbolisches System mit Wissensbasis \( \mathcal{K} \) und logischen Regeln \( \mathcal{R} \), die deduktive Inferenz ermöglichen.
Die Integration erfolgt durch Techniken wie symbolische Constraints während des Trainings, neuronale Einbettungen symbolischer Ausdrücke oder differentiable logische Module, die in neuronale Architekturen eingebettet werden.
Dies erlaubt effizientes Lernen aus Daten bei gleichzeitiger Wahrung von Interpretierbarkeit und Verifizierbarkeit durch symbolische Logik.
Definition:
„Neuro-Symbolische KI ist ein Ansatz, der neuronale und symbolische Methoden kombiniert, um die Stärken beider Paradigmen – lernbasierte Mustererkennung und logisches Schlussfolgern – in einem System zu vereinen.“
Quelle:
Garcez, A. d’Avila, Lamb, L. C., & Gabbay, D. M. (2020). Neural-Symbolic Computing: An Effective Methodology for Principled Integration of Machine Learning and Reasoning. Frontiers in Artificial Intelligence and Applications.