NeuroSymActive: Un Framework Neurale-Simbolico Differenziabile per il Question Answering su Grafi di Conoscenza
NeuroSymActive presenta un approccio modulare per il Question Answering su Grafi di Conoscenza, combinando un componente di ragionamento neurale-simbolico differenziabile con un controller di esplorazione attiva. Questo framework affronta la difficoltà di integrare strutture grafiche con modelli neurali, unendo moduli simbolici di soft-unification, un valutatore di percorsi neurale e una strategia di esplorazione Monte-Carlo che enfatizza le espansioni di percorso di alto valore. Il suo obiettivo è risolvere le inefficienze e le vulnerabilità associate alla semplice incorporazione di fatti del grafo nei prompt, nonché gli alti costi legati a tecniche puramente simboliche o basate su ricerca intensiva. Questo framework è descritto in un articolo disponibile su arXiv (2602.15353) ed è progettato per domande ad alta intensità di conoscenza che richiedono un ragionamento multi-hop accurato e strutturato.
Fatti principali
- NeuroSymActive è introdotto nell'articolo arXiv 2602.15353.
- Combina un livello di ragionamento neurale-simbolico differenziabile con un controller di esplorazione attiva.
- Il framework utilizza moduli simbolici di soft-unification, un valutatore di percorsi neurale e una politica di esplorazione in stile Monte-Carlo.
- Si rivolge al Question Answering su Grafi di Conoscenza per query ad alta intensità di conoscenza.
- Il metodo mira a migliorare l'efficienza rispetto alla semplice incorporazione di fatti del grafo nei prompt.
- Mira anche a ridurre i costi di recupero rispetto a approcci puramente simbolici o basati su ricerca intensiva.
- La politica di esplorazione dà priorità alle espansioni di percorso di alto valore.
- L'articolo è classificato come un annuncio di sostituzione-cross.
Entità
Istituzioni
- arXiv