Apprendimento Profondo Epistemico Neurosymbolico per la Classificazione Gerarchica delle Immagini

Uno studio recente introduce un quadro completo che combina modellazione neurosymbolica ed epistemica, potenziando gli Swin Transformer attraverso il ragionamento su insiemi focali e logica fuzzy differenziabile per la classificazione gerarchica delle immagini. Questo approccio affronta le carenze delle reti neurali profonde, che spesso generano previsioni eccessivamente sicure e violano vincoli logici o strutturali, specialmente nelle classificazioni gerarchiche dove le previsioni sia fini che grossolane devono allinearsi. Integrando insiemi focali guidati dai dati nello spazio di embedding appreso, il framework cattura efficacemente l'incertezza epistemica attraverso varie categorie a grana fine plausibili. Inoltre, un livello basato sulla teoria della credenza che utilizza funzioni di appartenenza fuzzy e congiunzioni t-norm promuove la coerenza tra le previsioni a diversi livelli della gerarchia. La ricerca è disponibile su arXiv con l'identificatore 2605.16383.