Revista ELECTRO
Vol. 46 – Año 2024
Artículo
TÍTULO
Sistemas Neuro-Simbólicos: Cerrando la Brecha entre el Aprendizaje Basado en Datos y el Razonamiento Lógico
AUTORES
Márquez-Gutiérrez, P.R.; García-Mata, C.L.; Robledo-Vega, I.
RESUMEN
El aprendizaje y razonamiento neuronal-simbólico (NSLR) es un campo interdisciplinario emergente que tiene como objetivo integrar las fortalezas de las redes neuronales y el razonamiento simbólico para construir sistemas de IA más robustos, interpretables y flexibles. Este artículo rev isa el estado actual de NSLR, discutiendo los enfoques clave, los desafíos y las direcciones futuras. Al combinar las capacidades de reconocimiento de patrones del aprendizaje profundo con la expresividad lógica de la IA simbólica. NSLR busca superar las l imitaciones inherentes a cada paradigma cuando se usa de forma independiente. Este enfoque híbrido tiene el potencial de avanzar significativamente en el desarrollo de sistemas de IA capaces de razonar, aprender de menos ejemplos y proporcionar decisiones explicables.
Palabras Clave: Aprendizaje neuronal-simbólico (NSLR), redes neuronales, razonamiento simbólico, IA robusta, interpretabilidad, reconocimiento de patrones, aprendizaje profundo, IA simbólica, enfoque híbrido, razonamiento y decisiones explicables.
ABSTRACT
Neural-symbolic learning and reasoning (NSLR) is an emerging interdisciplinary field that aims to integrate the strengths of neural networks and symbolic reasoning to build more robust, interpretable, and flexible AI systems. This a rticle reviews the current state of NSLR, discussing key approaches, challenges, and future directions. By combining the pattern recognition capabilities of deep learning with the logical expressiveness of symbolic AI. NSLR seeks to overcome the limitation s inherent in each paradigm when used independently. This hybrid approach has the potential to significantly advance the development of AI systems capable of reasoning, learning from fewer examples, and providing explainable decisions.
Keywords: Neural-symbolic learning (NSLR), neural networks, symbolic reasoning, robust AI, interpretability, pattern recognition, deep learning, symbolic AI, hybrid approach, reasoning, and explainable decisions.
REFERENCIAS
[1] Besold, T. R., Garcez, A. S., Bader, S., Bowman, H., Domingos, P., Hitzler, P.,... & Völker, J. (2017). Neural-symbolic learning and reasoning: A survey and interpretation. Frontiers in Artificial Intelligence and Applications, 305, 1-64.
[2] Garcez, A. S., Gori, M., Lamb, L. C., Serafini, L., Spranger, M., & Tran, S. N. (2015). Neural-symbolic computing: An effective methodology for principled integration of machine learning and reasoning. FLAIRS Conference.
[3] Garnelo, M., Arulkumaran, K., & Shanah an, M. (2019). Towards deep symbolic reinforcement learning. arXiv preprint arXiv:1905.06060.
[4] Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40.
[5] Liang, P., Potts, C., & Jia, Y. (2017). A compositional semantics for natural language and programming languages. arXiv preprint arXiv:1704.06278.
[6] Mao, J., Gan, C., Kohli, P., Tenenbaum, J. B., & Wu, J. (2019). The neuro-symbolic concept learner: Interpreting scenes, words, and sentences from natural supervision. International Conference on Learning Representations.
[7] Marcus, G. (2018). Deep learning: A critical appraisal. arXiv preprint arXiv:1801.00631.
[8] Rocktäschel, T., & Riedel, S. (2017). End-to-end differen tiable proving. Advances in Neural Information Processing Systems, 30.
[9] Xu, K., Hu, W., Leskovec, J., & Jegelka, S. (2018). How powerful are graph neural networks? International Conference on Learning Representations.
[10] Yi, K., Wu, J., Gan, C., Torralba, A., Kohli, P., & Tenenbaum, J. B. (2020). Neural-symbolic VQA: Disentangling reasoning from vision and language understanding. Advances in Neural Information Processing Systems, 33.
[11] Letzen, Diego (2020), Las lógicas y los lógicos, Análisis Filosófico 40 (Espec ial): 133-157. ISSN 1851-9636. doi:10.36446/af.2020.430.
[12] Matich, Damián Jorge (2001), Redes Neuronales: Conceptos Básicos y Aplicaciones (PDF). Buenos Aires, Argentina.
[13] Andrew Ng, Machine Learning Yearning, Free ebook, https://info.deeplearning.ai/machine-learning-yearning-book, consultado el 7 de Agosto de 2024.
CITAR COMO:
Márquez-Gutiérrez, P.R.; García-Mata, C.L.; Robledo-Vega, I., "Sistemas Neuro-Simbólicos: Cerrando la Brecha entre el Aprendizaje Basado en Datos y el Razonamiento Lógico", Revista ELECTRO, Vol. 46, 2024, pp. 266-271.
VERSIÓN PDF