“`html
Neuro-symbolic artificial intelligence (NeSy AI)
Neuro-symbolic artificial intelligence (NeSy AI) объединяет способности нейронных сетей к восприятию с логическими возможностями символьных систем. Этот гибридный подход решает сложные задачи, требующие как распознавания образов, так и дедуктивного мышления. Системы NeSy стремятся создать 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.
Вызовы и решения
Одним из основных вызовов развития NeSy AI является сложность обучения на данных при объединении нейронных и символьных компонентов. 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 лучшей масштабируемости 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 включает в себя три ключевых шага: EXPLAIN, AGREE, LEARN.
Применение метода EXAL
Метод EXAL был успешно протестирован на двух важных задачах NeSy: сложение MNIST и поиск пути в Warcraft. В задаче сложения MNIST метод EXAL достиг точности тестирования 96,40% для последовательностей из двух цифр и 93,81% для последовательностей из четырех цифр. В задаче поиска пути в 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 вызовы масштабируемости и эффективности, которые ограничивали применение систем NeSy. Эксплуатация метода 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 рассуждения.
Подробнее ознакомьтесь с исследованием. Вся заслуга за это исследование принадлежит его авторам. Также не забудьте подписаться на наш Twitter и присоединиться к нашему каналу в Telegram и группе в LinkedIn. Если вам понравилась наша работа, вам понравится и наш новостной бюллетень.
Не забудьте присоединиться к нашему сообществу в Reddit с более чем 48 тысячами подписчиков.
Найдите предстоящие вебинары по искусственному интеллекту здесь.
Опубликовано на MarkTechPost.