[論文レビュー] Neural-Symbolic Learning and Reasoning: A Survey and Interpretation

Tarek R. Besold, Artur d’Avila Garcez+12 more|arXiv (Cornell University)|Nov 10, 2017

Neural Networks and Applications参考文献 17被引用数 238

ひとこと要約

本調査はニューラル-シンボリック学習と推論を統合し、原理・機構・アーキテクチャ（NSCA など）と応用を総括し、課題と今後の方向性について論じる。

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.

研究の動機と目的

• ニューラル-シンボリック計算の範囲と目標を設定し、理論的基盤をレビューする。
• ニューラル-シンボリック計算の実現例、システム、および応用を説明する。
• 分野が直面する課題を議論し、将来の研究の方向性を概説する。

提案手法

• 複数の抽象レベルで論理と結合主義モデルを統合した統一的な見解を提示する。
• ネットワークを結合し、記号推論とサブシンボリック推論を統合する機構としての fibring を説明する。
• 記号理論とニューラル表現との間、およびその逆方向への翻訳アルゴリズムを説明する。
• 学習と推論の具体的な適用例として NSCA システムを用いて解説する。
• モジュラーで階層的なネットワークアーキテクチャが、表現力豊かなニューラル-シンボリックシステムをいかに支えるかを強調する。

実験結果

リサーチクエスチョン

• RQ1 ニューラル-シンボリック学習と推論の基盤となる原理・機構・アーキテクチャは何か？
• RQ2 ニューラルネットワークはどのようにして記号的知識を実装・正当化・抽出し、堅牢な推論を実現できるか？
• RQ3 実用的な応用は何か、そしてニューラル-シンボリックシステムは現実世界のタスクでどのように機能するか？
• RQ4 抽象レベルを横断した学習と推論の統合に残る課題は何か？

主な発見

• ニューラル-シンボリックシステムは、論理とネットワーク間の翻訳を用いて堅牢な学習と記号的推論を統合する。
• モジュール性と階層的組織化は、表現力と保守性を高める共通の設計特性である。
• Fibring は、異なる知識層を表現するネットワークを結合することにより、マルチレベル統合を可能にする。
• NSCA は、不確かな観測から時間的関係を学習し、時間論理規則を抽出することを示す。
• RTRBMs および関連アーキテクチャは、認知エージェントフレームワークで連続データを用いた確率的・時間的推論を可能にする。
• 応用分野は生物情報学、故障診断、トレーニングシミュレータ、マルチモーダル処理などに及ぶ。