Modal Symbolic Learning: from theory to practice

Il Symbolic Learning (SL) studia algoritmi di apprendimento per modelli computazionali che si basano sulla logica formale (o logica simbolica) e, come tale, fornisce modelli di intelligenza artificiale che eseguono ragionamenti logici trasparenti, espliciti, nonostante il suo ruolo centrale nell'intelligenza artificiale (AI) degli anni '80/'90, gli ultimi due decenni di ricerca sull'IA sono stati contrassegnati da grandi progressi nel deep learning, che hanno spostato l'attenzione su modelli a scatola nera altamente accurati. Negli ultimi anni la SL è tornata alla ribalta come soluzione promettente al cosiddetto problema della scatola nera, a causa della natura interpretabile della rappresentazione della conoscenza sottostante, ma allo stato attuale appare sia sottosviluppata che sottosviluppata. frammentato e generalmente non è considerato un serio concorrente del deep learning, probabilmente a causa di due fattori principali. In primo luogo, mentre i metodi di deep learning sono specializzati in serie temporali, immagini, grafici, ecc., la maggior parte degli approcci SL diffusi sono ancora basati sulla logica proposizionale o sulla logica dei predicati, che sono adatti solo per dati statici, tabulari e per dati puramente relazionali. In secondo luogo, mentre esistono diversi framework di programmazione consolidati per il deep learning (ad esempio, tensorflow, Theano, Deeplearning4j, scikit-learn), le implementazioni degli algoritmi SL (quando disponibili) sono sparse tra diverse programmazioni e librerie, rendendo difficile apprezzare il vero potenziale dei linguaggi. delle rappresentazioni esplicite della conoscenza. Questa tesi affronta entrambe queste lacune. In primo luogo, con l'obiettivo di fornire una visione moderna e unificante sull'argomento, presentiamo SOLE, un framework astratto per le metodologie SL. Il framework, che è disponibile anche nella programmazione Julia linguaggio, fornisce una base logica solida e completa che consente l'uso di formalismo logico praticamente any e copre metodi (specifici della logica e -agonistici) dall'analisi dei dati simbolici, dall'apprendimento simbolico e dalla modellazione simbolica. risultati sperimentali pubblicati di recente mostrano come le estensioni dei metodi SL comuni a logiche modali più espressive possano portare a modelli interpretabili e accurati per attività con dati non tabulari. La parte sperimentale di questa tesi considera quattro diversi compiti di classificazione, serie temporali multivariate e immagini. Per ciascun compito, forniamo una valutazione sperimentale di un nuovo algoritmo di apprendimento dell'albero decisionale basato su logiche modali temporali/spaziali. I modelli appresi mostrano una precisione da media ad alta, e le ispezioni qualitative della conoscenza estratta rivelano intuizioni sui processi sottostanti al problema in questione. L’obiettivo di questo lavoro è incoraggiare la ricerca in SL e, in definitiva, consentire interazioni virtuose tra intelligenza umana e computazionale, durante la negoziazione di compiti difficili.