【科研积累】NSAI 神经符号人工智能 学习笔记

2024-09-01 18:04

本文主要是介绍【科研积累】NSAI 神经符号人工智能 学习笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

神经符号的历史沿革

神经符号集成主要是为了利用神经网络捕捉符号和进行逻辑推理。

古早的人工智能理论,符号是其中的一个流派,是建立在数理逻辑上的,运用符号和规则,可以进行逻辑推理,使得人工智能系统具有可解释性。

符号和机器学习结合,诞生了归纳逻辑编程,简单来说就是,先给一些规则,机器学习了规则之后,提供数据集给机器,机器从规则里面搜寻,寻求一个最合适的规则结合方式,最后得到一个处理数据的程序。

但是复杂度高,容易被噪声带跑偏,后面人们就去做深度学习去了,没往符号上考虑。

深度学习神经网络通过学习大量数据来获取模式和规律。而符号推理则侧重于基于逻辑和推理规则进行思考和决策。

深度学习缺乏可解释性,但是可解释性又是AI系统所需要的,基于逻辑的符号方法又具备这种能力,因此结合deep learning和符号逻辑的方法很重要,这会是AGI的一条实现道路。

虽然dl和符号结合的研究尚且不多,但是神经-符号集成(Neural-Symblic Integration, NSI)学习与推理这个课题有很多研究。

虽然抽象的层次通常由神经网络的隐藏层呈现,但也可以将其视为 "重复许多子公式构成的复杂命题式"。

神经符号循环是一个著名的NSI架构,通过数据得到一个符号模型,然后转化为神经网络模型,在这个基础上进行结构和权重的学习改进,最后提取符号模型,完成一个循环,进行多轮循环进行迭代改进。

神经网络不是一成不变的布尔线路,因为输入不是固定数量的独立命题值,所以跟符号模型不可混淆。

核心难题在于,如何将可能无限变化的关系推理结构有效地编码为神经网络的优先固定结构。

这尽管目前引入的特定动态深度学习模型(如GNNs)主要基于特定的图传播启发式推理方法,尚未达到通用推理器的水平,但动态神经计算的范式为神经网络中正确反映关系逻辑推理提供了可能性。

explainability and interpretability

最好的翻译方式是“可解释性”和“解释性”。

explainability:可解释性,指的是模型决策的可解释性,模型本身很复杂,但是可以用一套解释方法来解释模型的输出。例如,对于一个心脏病风险预测任务,我们可以使用SHAP来展示哪些特征对心脏病风险预测的贡献度最大,即便我们不能直观理解整个网络的工作机制和过程,我们也能理解这个决策是和哪些因素相关的。

interpretability:解释性,指的是模型本身的清晰度和直观性,其决策过程和内部工作原理容易理解,则我们说这个模型具有解释性。对于同样的心脏病风险预测任务,如果我们使用逻辑回归模型,就可以直接查看每个特征的系数,了解它们是如何影响心脏病风险的。例如,我们可能发现年龄、血压和胆固醇水平是影响心脏病风险的重要因素。

NSAI

NSAI,也就是神经符号人工智能,其兼具两个领域的优点,将擅长从熟悉的例子中快速获得直觉的神经网络与使用形式逻辑和其他推理工具的明确符号系统相结合。类似于“思考,快与慢”的理念,一个系统提供快速、“直观”的想法,另一个系统提供更慎重、更理性的决策。

当前由DNN主导的AI系统在计算需求(能耗)、鲁棒性(对新情况的适应性)和可解释性方面面临许多挑战,而神经符号AI(NSAI)通过融合神经、符号和改了方法,提升了AI系统的解释性、鲁棒性和可信度,减少了对大量数据的依赖。

在NSAI系统中,神经网络负责从数据中提取复杂的特征和partern,符号方法通过引入逻辑规则和知识库来解释这些特征和partern,概率方法则用于处理不确定性和噪声。

这篇关于【科研积累】NSAI 神经符号人工智能 学习笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1127660

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识