Mapping the Neuro-Symbolic AI Landscape by Architectures: A Handbook on Augmenting Deep Learning Through Symbolic Reasoning

要約

記号的手法と統計的手法を統合することは、人工知能における長年の課題です。
その動機は、どちらかの分野の長所がもう一方の分野の短所と一致しており、$\unicode{x2013}$ 2 つの $\unicode{x2013}$ を組み合わせることで、どちらかの方法の弱点を制限できるということです。
ニューロシンボリック AI は、統計手法、特にニューラル ネットワークにおけるこの統合に焦点を当てています。
近年、この研究分野では大きな進歩があり、神経記号システムが論理モデルまたは神経モデル単独よりも優れたパフォーマンスを発揮しました。
しかし、比較的言えば、神経記号 AI はまだ初期段階にあり、機械学習の専門家に広く採用されていません。
この調査では、神経記号技術をそのアーキテクチャに基づいてフレームワーク ファミリに初めてマッピングしました。これにはいくつかの利点があります。 まず、フレームワークのさまざまな長所をそれぞれのアーキテクチャにリンクできるようになります。
第 2 に、エンジニアがシンボリックな手法をブラックボックスとして扱いながらニューラル ネットワークを拡張する方法を示すことができます。
第三に、将来の研究者が密接に関連するフレームワークを特定できるように、分野の大部分をマッピングできるようになります。

要約(オリジナル)

Integrating symbolic techniques with statistical ones is a long-standing problem in artificial intelligence. The motivation is that the strengths of either area match the weaknesses of the other, and $\unicode{x2013}$ by combining the two $\unicode{x2013}$ the weaknesses of either method can be limited. Neuro-symbolic AI focuses on this integration where the statistical methods are in particular neural networks. In recent years, there has been significant progress in this research field, where neuro-symbolic systems outperformed logical or neural models alone. Yet, neuro-symbolic AI is, comparatively speaking, still in its infancy and has not been widely adopted by machine learning practitioners. In this survey, we present the first mapping of neuro-symbolic techniques into families of frameworks based on their architectures, with several benefits: Firstly, it allows us to link different strengths of frameworks to their respective architectures. Secondly, it allows us to illustrate how engineers can augment their neural networks while treating the symbolic methods as black-boxes. Thirdly, it allows us to map most of the field so that future researchers can identify closely related frameworks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google