Neurosymbolische Integration

Sommersemester 2018

Inhalt: Neuronale Netze können gut von Beispielen lernen (induktives Schließen), leiden aber unter Phänomenen wie Überanpassung und katastrophalem Vergessen. Logische Formalismen schließen hingegen von gesichertem Wissen auf Beispiele (deduktives Schließen), leiden aber unter fehlendem Bezug der Symbole zu realen Sensordaten. Neuro-symbolische Integration versucht, die Stärken beider Welten zu kombinieren, um zu starker künstlicher Intelligenz vorzudringen. Die Vorlesung gibt einen Einblick in die Grundlagen des Gebiets wie CLIP und die Core-Methode und aktuelle Forschungsansätze wie Conceptors und Logic Tensor Networks.

Literatur:

• Artur S. d Avila Garcez, Luis C. Lamb, Dov M. Gabbay: Neural-Symbolic Cognitive Reasoning. Springer 2009.
• Tarek R. Besold et al.: Neural-Symbolic Learning and Reasoning: A Survey and Interpretation. CoRR abs/1711.03902 (2017)
• Herbert Jaeger: Controlling Recurrent Neural Networks by Conceptors. CoRR abs/1403.3369 (2014). Siehe auch The home of MINDS.
• Luciano Serafini, Artur S. d'Avila Garcez: Logic Tensor Networks: Deep Learning and Logical Reasoning from Data and Knowledge. NeSy@HLAI 2016
• Tim Rocktäschel, Sebastian Riedel: End-to-end Differentiable Proving. NIPS 2017: 3791-3803
• W. S. McCulloch and W. Pitts. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5:115-133, 1943.
• Sebastian Bader, Pascal Hitzler, Steffen Hölldobler, Andreas Witzel: The Core Method: Connectionist Model Generation for First-Order Logic Programs. In Barbara Hammer, Pascal Hitzler (eds.): Perspectives of Neural-Symbolic Integration, Springer 2007, 205-232.

• Neural-Symbolic Integration

Webmaster