[논문 리뷰] Neural-Symbolic Learning and Reasoning: A Survey and Interpretation

Tarek R. Besold, Artur d’Avila Garcez외 12명|arXiv (Cornell University)|2017. 11. 10.

Neural Networks and Applications참고 문헌 17인용 수 238

한 줄 요약

이 연구는 신경-기호 학습 및 추론을 종합하고 원리, 메커니즘, 아키텍처(NSCA와 같은) 및 응용을 검토하며, 도전과제와 향후 방향에 대해 논의합니다.

ABSTRACT

The study and understanding of human behaviour is relevant to computer science, artificial intelligence, neural computation, cognitive science, philosophy, psychology, and several other areas. Presupposing cognition as basis of behaviour, among the most prominent tools in the modelling of behaviour are computational-logic systems, connectionist models of cognition, and models of uncertainty. Recent studies in cognitive science, artificial intelligence, and psychology have produced a number of cognitive models of reasoning, learning, and language that are underpinned by computation. In addition, efforts in computer science research have led to the development of cognitive computational systems integrating machine learning and automated reasoning. Such systems have shown promise in a range of applications, including computational biology, fault diagnosis, training and assessment in simulators, and software verification. This joint survey reviews the personal ideas and views of several researchers on neural-symbolic learning and reasoning. The article is organised in three parts: Firstly, we frame the scope and goals of neural-symbolic computation and have a look at the theoretical foundations. We then proceed to describe the realisations of neural-symbolic computation, systems, and applications. Finally we present the challenges facing the area and avenues for further research.

연구 동기 및 목표

• 신경-기호 계산의 범위와 목표를 프레이밍하고 이론적 기초를 검토한다.
• 신경-기호 계산의 실현, 시스템 및 응용을 설명한다.
• 현장의 도전과제를 논의하고 향후 연구 방향을 개획한다.

제안 방법

• 다중 추상 수준에서 논리와 연결주의 모델을 결합한 통합 관점을 제시한다.
• 망을 연결하고 기호적 및 부분기호적 추론을 통합하는 메커니즘으로서 fibring을 설명한다.
• 상징 이론과 신경 표현 간의 번역 알고리즘과 그 역번역을 설명한다.
• 학습과 추론의 구체적 적용 예로 NSCA 시스템을 제시한다.
• 모듈식이고 계층적 네트워크 아키텍처가 표현력이 풍부한 신경-기호 시스템을 어떻게 지원하는지 강조한다.

실험 결과

연구 질문

• RQ1 신경-기호 학습 및 추론의 원리, 기계, 아키텍처는 무엇인가?
• RQ2 신경망은 강인한 추론을 위해 상징적 지식을 구현, 정당화하고 추출할 수 있는가?
• RQ3 실용적 응용은 무엇이며 신경-기호 시스템은 실제 작업에서 어떻게 수행하는가?
• RQ4 추상 수준 간 학습과 추론의 통합에 남아 있는 도전과제는 무엇인가?

주요 결과

• 신경-기호 시스템은 로직과 네트워크 간 번역을 이용해 강력한 학습과 상징적 추론을 결합한다.
• 모듈성 및 계층적 구성은 표현력과 유지 관리성을 향상시키는 일반적인 설계 특징이다.
• 피브링은 서로 다른 지식 층을 나타내는 네트워크를 연결함으로써 다층 통합을 가능하게 한다.
• NSCA는 불확실한 관찰로부터 시간적 관계를 학습하고 시간 논리 규칙을 추출하는 것을 보여준다.
• RTRBMs 및 관련 아키텍처는 연속 데이터를 포함하는 인지-에이전트 프레임워크에서 확률적, 시간적 추론을 가능하게 한다.
• 응용 분야는 생물정보학, 고장 진단, 훈련 시뮬레이터, 다중 모달 처리에 걸쳐 있다.