Complexity of Probabilistic Reasoning for Neurosymbolic Classification Techniques

要約

ニューロシンボリック人工知能は、ニューラル ネットワークの学習機能と記号システムの推論能力を組み合わせることを目的とした成長中の研究分野です。
インフォームド マルチラベル分類は、神経記号 AI のサブ分野であり、事前の知識を活用して神経分類システムを改善する方法を研究します。
情報に基づいた分類のためのよく知られた一連の神経象徴的手法は、確率的推論を使用して、学習、推論、またはその両方の際にこの知識を統合します。
したがって、確率的推論の漸近的な複雑さは、そのような手法の拡張性を評価する上で非常に重要です。
しかし、このトピックは神経象徴学の文献ではめったに扱われず、確率論的な神経象徴技術の限界についての理解が不十分になる可能性があります。
この論文では、情報に基づいた教師付き分類タスクと手法のための形式主義を紹介します。
次に、この形式主義に基づいて、確率的推論に基づいた 3 つの抽象的な神経象徴技法を定義します。
最後に、神経象徴文献で一般的に見られる事前知識に対するいくつかの表現言語での計算複雑性の結果を示します。

要約(オリジナル)

Neurosymbolic artificial intelligence is a growing field of research aiming to combine neural network learning capabilities with the reasoning abilities of symbolic systems. Informed multi-label classification is a sub-field of neurosymbolic AI which studies how to leverage prior knowledge to improve neural classification systems. A well known family of neurosymbolic techniques for informed classification use probabilistic reasoning to integrate this knowledge during learning, inference or both. Therefore, the asymptotic complexity of probabilistic reasoning is of cardinal importance to assess the scalability of such techniques. However, this topic is rarely tackled in the neurosymbolic literature, which can lead to a poor understanding of the limits of probabilistic neurosymbolic techniques. In this paper, we introduce a formalism for informed supervised classification tasks and techniques. We then build upon this formalism to define three abstract neurosymbolic techniques based on probabilistic reasoning. Finally, we show computational complexity results on several representation languages for prior knowledge commonly found in the neurosymbolic literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google