Neuro-Symbolic Learning of Answer Set Programs from Raw Data

要約

人工知能の最終的な目標の 1 つは、人間の複雑な意思決定を支援することです。
この目標を達成するための有望な方向性は、記号技術の解釈可能性と、生データから学習する深層学習の機能を組み合わせることを目的としたニューロシンボリック AI です。
ただし、現在のアプローチのほとんどは手動で操作された記号知識を必要とし、エンドツーエンドのトレーニングを考慮した場合、そのようなアプローチは明確なプログラムの学習に限定されるか、バイナリ ニューラル ネットワークのトレーニングに限定されます。
この論文では、潜在概念をターゲット ラベルにマッピングする記号知識を学習しながら、生データから潜在概念を抽出するように一般的なニューラル ネットワークをトレーニングするアプローチである神経記号帰納学習器 (NSIL) を紹介します。
私たちのアプローチの新規性は、ニューラルコンポーネントとシンボリックコンポーネントの両方のトレーニング中のパフォーマンスに基づいて、シンボリック知識の学習にバイアスをかける方法です。
NP 完全問題を含む、複雑さの異なる 3 つの問題ドメインで NSIL を評価します。
私たちの結果は、NSIL が表現的な知識を学習し、計算的に複雑な問題を解決し、精度とデータ効率の点で最先端のパフォーマンスを達成することを示しています。
コードと技術付録: https://github.com/DanCunnington/NSIL

要約(オリジナル)

One of the ultimate goals of Artificial Intelligence is to assist humans in complex decision making. A promising direction for achieving this goal is Neuro-Symbolic AI, which aims to combine the interpretability of symbolic techniques with the ability of deep learning to learn from raw data. However, most current approaches require manually engineered symbolic knowledge, and where end-to-end training is considered, such approaches are either restricted to learning definite programs, or are restricted to training binary neural networks. In this paper, we introduce Neuro-Symbolic Inductive Learner (NSIL), an approach that trains a general neural network to extract latent concepts from raw data, whilst learning symbolic knowledge that maps latent concepts to target labels. The novelty of our approach is a method for biasing the learning of symbolic knowledge, based on the in-training performance of both neural and symbolic components. We evaluate NSIL on three problem domains of different complexity, including an NP-complete problem. Our results demonstrate that NSIL learns expressive knowledge, solves computationally complex problems, and achieves state-of-the-art performance in terms of accuracy and data efficiency. Code and technical appendix: https://github.com/DanCunnington/NSIL

arxiv情報

提供元, 利用サービス

arxiv.jp, Google