详细内容或原文请订阅后点击阅览
神经符号人工智能
向通用人工智能迈进可能需要将符号推理与神经学习相结合。将显式的、基于规则的知识表示与自适应的、基于权重的模型相结合，提供了两种方法单独无法实现的功能。这篇文章首先发表在电子学习行业上。
来源:eLearning行业 | 在线教育博客将推理与快速学习相结合
神经符号人工智能（NSAI）是指一种研究范式和技术框架，它综合了当代机器学习（尤其是深度学习）的能力以及符号人工智能的表征和推理优势。通过将数据驱动的统计学习与明确的知识结构和逻辑推理相结合，NSAI 试图克服这两种方法单独使用时固有的局限性。
符号：逻辑、本体。神经网络：结构、权重。
在这个范式中，术语“符号”是指基于通过形式语言、逻辑谓词、本体和基于规则的系统对知识进行显式编码的计算方法。这种符号表示，从数学表达式和逻辑断言到编程结构，使机器能够操纵离散符号、强制约束并通过结构化推理得出结论。因此，符号人工智能强调实体的分类以及它们在机器可读知识框架内的关系的阐明，这些框架支持透明的、有逻辑依据的推理过程。
符号系统的结构化推理能力（例如显式关系、约束和形式逻辑）与神经网络的模式学习优势的集成构成了 NSAI 的基础（如图 1 所示）。这种混合原型利用了两种范式：神经模型从非结构化数据中提取特征（快速学习），而符号表示提供上下文、结构和可解释性（推理）。
图 1. NSAI：神经网络和符号系统之间的共生
应用程序域和分类法
最近的文献介绍了神经符号人工智能的几种分类法。在这里，我们引用了一种特定的分类法 [1] ，它将 NSAI 系统分为三个主要类别：