Nieuwe neurale module combineert symbolische logica met diepe leernetwerken
Onderzoekers presenteren een module die symbolische logica toevoegt aan neurale netwerken. Deze techniek maakt het mogelijk om relationele logica te trainen binnen standaard optimalisatieprocessen.
In de machine learning is het lange tijd lastig gebleken om symbolische redeneringen soepel te combineren met op gradiënten gebaseerde optimalisatie. Traditionele symbolische systemen gebruiken vaak vaste architecturen die moeilijk aansluiten bij moderne diepe neurale netwerken. Door de komst van een nieuwe neurale component wordt geprobeerd deze kloof te overbruggen.
Integreerbare logica
De methode introduceert een module die eerste-orde logica kwantiseert en zo relationele logica toevoegt aan standaard netwerken. Dankzij een specifieke gradiëntmechaniek kan het model flexibel schakelen tussen verschillende bewerkingen via een trainbare parameter. Dit past in een bredere ontwikkeling binnen de kunstmatige intelligentie om symbolische AI en neurale netwerken sterker met elkaar te verweven.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel