Self-organized inductive learning in a multidimensional graph-like neural network framework

Abstract

Cognição humana depende fortemente de aprendizagem indutiva, um processo que o campo de aprendizagem de máquina busca replicar em hardware/software artificial. Enquanto métodos de aprendizagem coneccionista resultaram em grandes resultados pragmáticos na área, ainda lhes falta uma hierarquia modelo de aprendizagem para explicar seus resultados. Computação NeSy busca desenvolver uma integração efetiva entre aprendizagem coneccionista e simbólica. Como um esforço para alcançar essa integração, NeMuS é uma estrutura de grafo multidimensional, originalmente concebida com quatro espaços de elementos codificados de lógica de primeira ordem, que aprende padrões de refutação e executa raciocínio indutivo clausal para induzir hipóteses que explicam exemplos não previamente especificados em uma base de conhecimento. Recentemente, houve um experimento em que uma base de conhecimento conectada foi treinada usando SOM para gerar similaridade de conceitos de acordo com seus atributos, e suas respectivas posições dentro dos conceitos. Nesse experimento, indução foi feita por análise humana do mapa organizacional de conceitos. Neste trabalho, nós buscamos um método adequado de gerar padrões de vizinhança para serem usados em aprendizagem e raciocínio indutivo para reduzir o espaço de busca de hipóteses. Adicionalmente, nós definimos um viés de linguagem capaz de lidar com invenção de predicados, para guiar o processo de gerar tais hipóteses.