[論文レビュー] Survey on Applications of Neurosymbolic Artificial Intelligence

Djallel Bouneffouf, Charu C. Aggarwal|arXiv (Cornell University)|Sep 8, 2022

EEG and Brain-Computer Interfaces被引用数 6

ひとこと要約

本サーベイは、医療、画像処理、ビジネス管理、その他の分野における神経記号的AIの応用を包括的にレビューし、ニューラルネットワークと記号的推論を統合する分野における最近の進展を要約している。主なトレンドを特定し、神経記号的フレームワークの分類法を提案するとともに、ハイブリッド学習・推論システムを通じてモデルの解釈可能性、データ効率、推論能力の向上が図られる分野の可能性を強調している。

ABSTRACT

In recent years, the Neurosymbolic framework has attracted a lot of attention in various applications, from recommender systems and information retrieval to healthcare and finance. This success is due to its stellar performance combined with attractive properties, such as learning and reasoning. The new emerging Neurosymbolic field is currently experiencing a renaissance, as novel frameworks and algorithms motivated by various practical applications are being introduced, building on top of the classical neural and reasoning problem setting. This article aims to provide a comprehensive review of significant recent developments in real-world applications of Neurosymbolic Artificial Intelligence. Specifically, we introduce a taxonomy of common Neurosymbolic applications and summarize the state-of-the-art for each of those domains. Furthermore, we identify important current trends and provide new perspectives pertaining to the future of this burgeoning field.

研究の動機と目的

• 神経記号的AIの実世界応用を多様な分野にわたり体系的レビューすること。
• 構造的な分類法を用いて、共通する神経記号的応用パターンを同定・分類すること。
• 実用的システムにおけるニューラル学習と記号的推論の統合を分析すること。
• 解釈可能性、データ効率、エラー回復といった主な利点を強調すること。
• 神経記号的AIにおける未解決の課題と今後の研究方向性を特定すること

提案手法

• 本論文は、4つの主要な設計次元（統合タイプ（ハイブリッド対統合）、ニューラルアーキテクチャ（結合的対非結合的）、記号的表現（局所的対分散的）、標準化（標準対非標準））に基づく多次元分類法を構築している。
• 医療、画像処理、ビジネス管理、ロボティクスなどを含む15の分野において、構造的なフレームワークを用いて応用を分類している。
• 著者らは、3つの表を通じて神経記号的システムを分析している：(1) 統合とアーキテクチャ的選択、(2) 記号的言語タイプ（命題論理対一階論理）、(3) 使用パターン（抽出対表現、学習対推論）。
• 本サーベイは、システムが学習、推論、または記号的表現のどの側面に重点を置いているかを評価し、形式論理や構造化データの使用状況を分析している。
• 最近の文献と事例研究を基に、説明可能性の高い医療診断やマルチメディア推論におけるバイアス補正といった、特定の応用ニーズに神経記号的技術をマッピングしている。
• 本手法には、既存の神経記号的フレームワークの比較分析が含まれており、実用的展開における機能的特徴と限界に重点を置いている。

実験結果

リサーチクエスチョン

• RQ1 神経記号的AIシステムは、医療、ファイナンス、ロボティクスなどの多様な分野で、現在どのように応用されているか？
• RQ2 統合、表現、標準化の観点から、神経記号的システムにおける支配的なアーキテクチャ的パターンは何か？
• RQ3 神経記号的システムは、学習と推論のバランスをどの程度とっているのか、そのバランスがパフォーマンスと解釈可能性に与える影響は何か？
• RQ4 医療などデータが乏しいか、高リスクな環境において、神経記号的システムを展開するにあたり、主な課題は何か？
• RQ5 モデルの透明性、一般化性能、耐障害性の観点から、神経記号的フレームワークは、完全にニューラル的または記号的なシステムと比べてどう異なるか？

主な発見

• 大多数の神経記号的応用は、ニューラルネットワークと記号的推論を組み合わせたハイブリッドシステムであり、標準的なニューラルアーキテクチャと局所的記号的表現の選択が強く好まれている。
• 大多数のシステムは、分散的に記号的知識表現を用いており、一階論理よりも命題論理に重点が置かれており、これは単純さとスケーラビリティのためであると考えられる。
• 実際の応用では、明示的な推論や記号的抽出よりも、記号的表現と学習に重点が置かれており、分類および表現指向の設計パターンが顕著である。
• 医療やファイナンス分野における神経記号的システムは、データ効率と解釈可能性の面で強くポテンシャルを示しており、特にドラッグリポurposeや認知機能低下予測の分野で顕著である。
• 関心が高まる一方で、完全に統合された神経記号的コンponentsを実装しているシステムは少数であり、エンド・ツー・エンドの学習・推論共同設計のギャップが示唆されている。
• 分野は活発な勢いを示しており、一般化と説明可能性を要するタスク、特に縦断的疾患モデリングやバイアス補正において、性能向上を示す新興フレームワークが登場している。