[논문 리뷰] Survey on Applications of Neurosymbolic Artificial Intelligence

Djallel Bouneffouf, Charu C. Aggarwal|arXiv (Cornell University)|2022. 09. 08.

EEG and Brain-Computer Interfaces인용 수 6

한 줄 요약

이 종합 검토는 신경망과 기호적 추론을 융합한 최근의 발전을 종합적으로 분석하면서 의료, 영상 처리, 사업 관리 및 기타 분야에서 신경기호 AI 응용에 대해 포괄적인 리뷰를 제공한다. 주요 추세를 규명하고 신경기호 프레임워크의 분류 체계를 제안하며, 하이브리드 학습-추론 시스템을 통해 모델의 해석 가능성, 데이터 효율성, 추론 능력을 향상시킬 수 있는 분야의 잠재력을 부각시킨다.

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.

연구 동기 및 목표

• 다양한 도메인에서 신경기호 AI의 실세계 응용을 체계적으로 검토하는 것.
• 구조화된 분류 체계를 사용하여 공통된 신경기호 응용 패턴을 식별하고 분류하는 것.
• 실제 시스템에서 신경학습과 기호적 추론의 통합을 분석하는 것.
• 신경기호 시스템의 주요 이점인 해석 가능성, 데이터 효율성, 오류 복구 능력 등을 부각하는 것.
• 신경기호 AI 분야의 열린 과제와 향후 연구 방향을 식별하는 것.

제안 방법

• 논문은 네 가지 핵심 설계 차원인 통합 유형(하이브리드 대 통합), 신경망 아키텍처(연결주의 대 비연결주의), 기호 표현 방식(국소적 대 분산형), 표준화 수준(표준 대 비표준)을 기반으로 다차원 분류 체계를 구축한다.
• 의료, 영상 처리, 사업 관리, 로봇공학 등 15개 도메인을 포함한 구조화된 프레임워크를 사용하여 응용 사례를 분류한다.
• 저자는 세 개의 표를 통해 신경기호 시스템을 분석한다: (1) 통합 및 아키텍처 선택, (2) 기호 언어 유형(명제 논리 대 일阶논리), (3) 사용 패턴(추출 대 표현).
• 이 종합 검토는 학습, 추론, 기호적 표현에 중점을 두는지 평가하고, 공식 논리나 구조화된 데이터의 사용 여부를 평가한다.
• 최근 문헌과 사례 연구를 바탕으로 신경기호 기법을 특정 응용 요구사항에 매핑한다. 예를 들어, 의료 진단의 설명 가능성 또는 다중미디어 추론에서의 편향 보정과 같은 요구사항이다.
• 연구 방법론에는 기존 신경기호 프레임워크의 비교 분석을 포함하며, 실세계 구현에서의 功能적 특성과 제약 사항에 중점을 둔다.

실험 결과

연구 질문

• RQ1 신경기호 AI 시스템은 의료, 금융, 로봇공학 등 다양한 도메인에서 현재 어떻게 응용되고 있는가?
• RQ2 특히 통합, 표현, 표준화 측면에서 신경기호 시스템의 주요 아키텍처 패턴은 무엇인가?
• RQ3 신경기호 시스템은 학습과 추론을 어느 정도 균형 있게 유지하는가? 이 균형은 성능과 해석 가능성에 어떤 영향을 미치는가?
• RQ4 특히 데이터가 부족하거나 고위험 환경(예: 의료 분야)에서 신경기호 시스템을 구현할 때의 주요 과제는 무엇인가?
• RQ5 모델의 투명성, 일반화 능력, 내구성 측면에서 순수 신경망 또는 기호적 시스템과 비교해 신경기호 프레임워크는 어떻게 다를까?

주요 결과

• 대부분의 신경기호 응용은 신경망과 기호적 추론을 결합한 하이브리드 시스템이며, 표준 신경망 아키텍처와 국소적 기호 표현 방식을 선호하는 경향이 뚜렷하다.
• 대부분의 시스템은 기호 지식 표현을 분산 방식으로 사용하며, 일阶논리보다는 명제 논리를 더 선호하는 경향이 있다. 이는 단순성과 확장성 때문일 가능성이 높다.
• 실제로 대부분의 시스템은 명시적 추론이나 기호 추출보다는 기호 표현과 학습에 중점을 두며, 이는 분류 및 표현 중심의 설계 패턴을 반영한다.
• 의료 및 금융 분야의 신경기호 시스템은 약물 재도입 및 인지 기능 저하 예측 분야에서 데이터 효율성과 해석 가능성 측면에서 높은 잠재력을 보이고 있다.
• growing 관심에도 불구하고, 완전히 통합된 신경기호 구성 요소를 구현한 시스템은 소수에 불과하여 종단 간 학습-추론 공동 설계의 격차가 존재하는 것으로 나타났다.
• 분야는 강력한 발전 추세를 보이며, 일반화와 설명 가능성 모두 필요로 하는 과제에서 성능 향상이 뚜렷한 신규 프레임워크들이 등장하고 있다. 특히 장기적 질병 모델링과 편향 보정 분야에서 두드러진다.