【ダイジェスト】
ニューロシンボリックAIは、学習と推論の能力を組み合わせることで、機械の理解を向上させるアプローチです。エリック・バウムは、理解を「世界の圧縮された表現」と定義しています。これは、人間が例を通じてトピックの理解を深め、それらの例が共有する特徴を捉える一般的なモデルを作成するプロセスを指します。インテルラボのエマージェントAIリサーチVP＆ディレクターであるガディ・シンガーは、概念化はディープラーニングだけでは達成できないと指摘しています。概念化は、特定のデータセットに縛られず、時間と経験を通じて関連知識を吸収する能力を持ちます。
ロンドン市立大学のコンピュータサイエンス教授であるアルトゥール・ダヴィラ・ガルセスは、ニューロシンボリック学習と推論に関する研究を20年以上にわたって行っており、2023年にはソン・トランと共に、制限付きボルツマンマシン（RBM）を用いて命題論理式を解釈し、推論を可能にするシステムに関する研究を発表しました。このシステムは、論理式を表現し、RBMネットワーク内のデータと知識に基づいて推論する能力を持ち、データと知識から学習することが確認されました。これにより、数十年にわたってプログラミング言語を使用してきたコーダーによる推論能力が、ニューラルネットワーク環境に導入されることになります。
しかし、データ品質のギャップは依然として問題です。ガルセスとトランは、ニューロシンボリックAIにおける効果的なトレーニングセットには、知識グラフにおける関係豊かで論理的に一貫した知識が不可欠であると述べています。知識グラフは、コンテキストを提供し、機械学習環境におけるデータ品質の重要な利点となり得ます。
【ニュース解説】
ニューロシンボリックAIは、機械が学習と推論を組み合わせることで、より高度な理解を達成するためのアプローチです。この技術は、人間が世界を理解するプロセスに似ており、例を通じてトピックの理解を深め、共有する特徴を捉える一般的なモデルを作成します。しかし、現在のディープラーニング技術だけでは、このような概念化を達成することは難しいとされています。
概念化の能力は、特定のデータセットに縛られず、時間と経験を通じて関連知識を吸収することができる点にあります。これは、人間が異なるドメイン間で知識を適用し、新しい知識を生成する能力と密接に関連しています。例えば、ある人がロッククライミングで「通過可能性」の概念を学んだ後、その概念をリスクゲームの戦略や、故障したラップトップを修理できる人を見つける際にも適用することができます。
このような高度な概念化を機械にも可能にするために、ニューロシンボリックAIが注目されています。ロンドン市立大学のアルトゥール・ダヴィラ・ガルセス教授らは、制限付きボルツマンマシン（RBM）を用いて、論理式を解釈し、データと知識に基づいて推論するシステムの研究を発表しました。このシステムは、ニューラルネットワーク内で推論能力を実現し、より複雑な問題解決や質問応答を可能にします。
しかし、この技術の実現には、データ品質の問題が大きな障壁となっています。効果的なニューロシンボリックAIのトレーニングには、関係豊かで論理的に一貫した知識が必要であり、知識グラフがこの問題の解決に役立つとされています。知識グラフは、機械学習環境におけるコンテキストを提供し、データ品質の向上に貢献します。
ニューロシンボリックAIの発展は、機械が人間のように複雑な概念を理解し、異なるドメイン間で知識を適用する能力を持つことを目指しています。これにより、AIの汎用性が大幅に向上し、より人間に近い形での推論や問題解決が可能になると期待されています。しかし、その実現には、高品質なデータと知識の提供が不可欠であり、今後の研究や技術開発の方向性を示しています。
from A neurosymbolic AI approach to learning + reasoning.
