Aprendizagem temporal neuro simbólica em redes de tensores lógicos
Visualizar/abrir
Data
2024Autor
Orientador
Nível acadêmico
Mestrado
Tipo
Outro título
Neuro symbolic temporal learning in logic tensor networks
Assunto
Resumo
A Inteligência Artificial (IA) e o Aprendizado Profundo trouxeram grandes mudanças para várias áreas da sociedade, da pesquisa à aplicação na indústria e se tornaram onipresentes. No entanto, ainda há questões em aberto e preocupações sobre a confiança na IA. Idealmente, um sistema de IA deve ser semanticamente sólido, explicável e confiável. Para atingir tais objetivos, sistemas que integram aprendizado e raciocínio incluem uma camada de raciocínio sólido combinada com estruturas de aprendizad ...
A Inteligência Artificial (IA) e o Aprendizado Profundo trouxeram grandes mudanças para várias áreas da sociedade, da pesquisa à aplicação na indústria e se tornaram onipresentes. No entanto, ainda há questões em aberto e preocupações sobre a confiança na IA. Idealmente, um sistema de IA deve ser semanticamente sólido, explicável e confiável. Para atingir tais objetivos, sistemas que integram aprendizado e raciocínio incluem uma camada de raciocínio sólido combinada com estruturas de aprendizado profundo. A IA neuro-simbólica visa integrar a eficácia do aprendizado neural com a solidez do raciocínio lógico para obter ferramentas e modelos mais ricos. Um dos desafios é a integração do aprendizado e do raciocínio sobre o tempo nas redes neurais. Este trabalho integra o aprendizado e raciocínio temporal em sistemas neuro-simbólicos baseados em lógica de primeira ordem. Para fazer isso, mostra-se como adicionar aprendizado e raciocínio tem poral nas Redes de Tensores Lógicos (LTN), um framework que combina aprendizagem e raciocínio simbólico e neural com a utilização de tensores. A adição de um novo predicado para especificar propriedades temporais em sistemas de aprendizado permite uma representação e raciocínio mais ricos sobre um grande número de problemas, que exigem explicitamente uma dimensão temporal. Este trabalho também mostra como a LTN passa a aprender e raciocinar sobre uma classe geral de problemas usando raciocínio temporal e conhecimento distribuído e resolver problemas complexos e evolutivos de aprendizado distribuído. Portanto, dentre os principais resultados e contribuições, destaca-se o aprendizado e o raciocínio temporal sobre problemas complexos de computação envolvendo modelagem de tempo, incluindo tempo distribuído. A modelagem de redes neurais neuro simbólicas com o uso de axiomas temporais e regras claras também proporciona maior interpretabilidade, permitindo uma melhor compreensão da implementação do sistema neuro-simbólico proposto e, principalmente, maior escalabilidade e generalidade. ...
Abstract
Artificial Intelligence (AI) and Deep Learning have changed many areas of society, from research to industrial applications, and have become ubiquitous. However, there are still open questions and concerns about trust in AI. Ideally, an AI system should be seman tically sound, explainable, and trustworthy. To achieve these goals, systems that inte grate learning and reasoning include a sound reasoning layer combined with deep learning frameworks. Neuro-symbolic AI aims to integrate the power of ...
Artificial Intelligence (AI) and Deep Learning have changed many areas of society, from research to industrial applications, and have become ubiquitous. However, there are still open questions and concerns about trust in AI. Ideally, an AI system should be seman tically sound, explainable, and trustworthy. To achieve these goals, systems that inte grate learning and reasoning include a sound reasoning layer combined with deep learning frameworks. Neuro-symbolic AI aims to integrate the power of neural learning with the soundness of logical reasoning to obtain richer tools and models. One of the challenges is the integration of learning and reasoning about time in neural networks. This work in tegrates temporal learning and reasoning in neuro-symbolic systems based on first-order logic. To do this, we show how to add temporal learning and reasoning to Logical Tensor Networks (LTN), a framework that combines symbolic and neural learning and reasoning using tensors. The addition of a new predicate to specify temporal properties in learning systems allows for a richer representation and reasoning about a large number of prob lems, which explicitly require a temporal dimension. This work also shows how LTN can learn and reason about a general class of problems using temporal reasoning and dis tributed knowledge and solve complex and evolutionary distributed learning problems. Therefore, among the main results and contributions, we highlight the temporal learning and reasoning about complex computing problems involving time modeling, including distributed time. The modeling of neuro-symbolic neural networks using temporal ax ioms and clear rules also provides greater interpretability, allowing a better understanding of the implementation of the proposed neuro-symbolic system and, mainly, greater scala bility and generality ...
Instituição
Universidade Federal do Rio Grande do Sul. Instituto de Informática. Programa de Pós-Graduação em Computação.
Coleções
-
Ciências Exatas e da Terra (5097)Computação (1754)
Este item está licenciado na Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)