Un graphe de connaissances neuro-symbolique est un modèle hybride d'IA qui combine des embeddings neuronaux d'entités et de relations avec la logique symbolique et la représentation des connaissances, afin de permettre un raisonnement robuste et une généralisation flexible.
Formellement, le graphe de connaissances est composé d'un ensemble d'entités \( \mathcal{E} \), de relations \( \mathcal{R} \) et de faits \( \mathcal{F} \subseteq \mathcal{E} imes \mathcal{R} imes \mathcal{E} \).
Les réseaux neuronaux apprennent des embeddings continus \( \mathbf{e}, \mathbf{r} \in \mathbb{R}^d \) pour les entités et les relations, tandis que des formules logiques symboliques \( \phi \) sont définies comme contraintes ou règles, qui aident le modèle dans la complétion des connaissances et l'inférence.
La combinaison permet d'intégrer à la fois des motifs flous basés sur l'apprentissage et des inférences précises basées sur des règles.
Définition :
« Un graphe de connaissances neuro-symbolique est une architecture d'IA qui relie des représentations neuronales des connaissances avec la logique symbolique, afin de créer des modèles de connaissances à la fois apprenables et explicables. »
Source :
Garcez, A. d'A., Lamb, L. C., & Gabbay, D. M. (2019). Neural-Symbolic Cognitive Reasoning. Springer.