Baobab: compilare ontologie OWL 2 DL in circuiti differenziabili per l'apprendimento neuro-simbolico
Una recente ricerca pubblicata su arXiv presenta Baobab, una nuova tecnica progettata per convertire ontologie OWL 2 DL in circuiti differenziabili ottimizzati per l'apprendimento neuro-simbolico. Affrontando le sfide intrinseche degli embedding continui, Baobab trasforma ontologie SROIQ con un ABox finito in Sentential Decision Diagrams (SDD). Questa metodologia utilizza un approccio basato sulle conseguenze per migliorare il quadro logico, consentendo il conteggio di modelli pesati condizionato dalle evidenze. I risultati sperimentali dimostrano che una rete neurale convoluzionale può imparare efficacemente a interpretare le cifre MNIST rispettando i vincoli ontologici specificati. I risultati dettagliati sono disponibili nell'articolo, identificato in modo univoco come arXiv:2608.17741.
Fatti principali
- Baobab compila ontologie OWL 2 DL in Sentential Decision Diagrams (SDD).
- OWL 2 DL si basa sulla logica descrittiva SROIQ.
- I sistemi di apprendimento neuro-simbolici esistenti o incorporano le ontologie in uno spazio continuo o si limitano a EL++.
- Baobab satura un nucleo proposizionale utilizzando un calcolo basato sulle conseguenze.
- Istanzia nominali, restrizioni di numero e assiomi di ruolo sul dominio attivo.
- L'SDD consente il conteggio di modelli pesati condizionato dalle evidenze per l'addestramento di reti percettive.
- Una CNN impara a leggere le cifre MNIST con supervisione parziale dell'ABox utilizzando Baobab.
- L'articolo è identificato come arXiv:2608.17741.
Entità
—