“`html

Neuro-symbolic artificial intelligence (NeSy AI)

Neuro-symbolic artificial intelligence (NeSy AI) объединяет в себе способности нейронных сетей к восприятию и логическому мышлению символьных систем. Этот гибридный подход разработан для решения сложных задач, требующих как распознавания образов, так и логического вывода. Системы NeSy стремятся создавать более надежные и универсальные модели искусственного интеллекта, интегрируя нейронные и символьные компоненты. Несмотря на ограниченные данные, эти модели лучше справляются с неопределенностью, принимают обоснованные решения и эффективно выполняют задачи. Это представляет собой значительный шаг вперед в области искусственного интеллекта, направленный на преодоление ограничений чисто нейронных или чисто символьных подходов.

Основные проблемы и решения

Одной из основных проблем, с которой сталкивается развитие NeSy AI, является сложность обучения на данных при объединении нейронных и символьных компонентов. В частности, интеграция сигналов обучения из нейронной сети с символьной логической компонентой представляет собой сложную задачу. Традиционные методы обучения в системах NeSy часто полагаются на точный вероятностный логический вывод, что является вычислительно затратным и требует масштабирования для более сложных или крупных систем. Несмотря на это, существующие методы пытаются решить эту проблему, каждый со своими ограничениями.

Метод EXPLAIN, AGREE, LEARN (EXAL)

Исследователи из KU Leuven разработали новый метод под названием EXPLAIN, AGREE, LEARN (EXAL), который специально разработан для улучшения масштабируемости и эффективности обучения в системах NeSy. EXAL представляет собой метод, включающий три ключевых шага: EXPLAIN, AGREE, LEARN. В первом шаге алгоритм EXPLAIN генерирует образцы возможных объяснений для наблюдаемых данных. Второй шаг, AGREE, включает перевзвешивание этих объяснений на основе их вероятности согласно прогнозам нейронной сети. Наконец, на третьем шаге, LEARN, эти взвешенные объяснения используются для обновления параметров нейронной сети через традиционный метод градиентного спуска.

Результаты и применение

Метод EXAL был успешно протестирован на двух важных задачах NeSy: сложение MNIST и поиск пути в игре Warcraft. В задаче сложения MNIST EXAL достиг точности тестирования 96,40% для последовательностей из двух цифр и 93,81% для последовательностей из четырех цифр. В задаче поиска пути в игре Warcraft EXAL достиг впечатляющей точности 98,96% на сетке 12×12 и 80,85% на сетке 30×30, превзойдя другие методы NeSy как по точности, так и по времени обучения.

Заключение

Метод EXAL решает проблемы масштабируемости и эффективности, ограничивавшие применение систем NeSy. Путем использования выборочного подхода с сильными теоретическими гарантиями, EXAL улучшает точность и надежность моделей NeSy и значительно сокращает время обучения. EXAL представляет собой многообещающее решение для многих сложных задач искусственного интеллекта, особенно в области обработки больших объемов данных и символьного вывода.

“`