Aprendizagem temporal neuro simbólica em redes de tensores lógicos

• Ano de defesa: 2024
• Autor(a) principal: Rakowski, André Luciano
• Orientador(a): Lamb, Luis da Cunha
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Inteligência artificial; Aprendizado profundo; Raciocínio; Redes neurais
• Palavras-chave em Inglês: Neuro-Symbolic AI; Temporal learning and reasoning; Logical tensor net works; Temporal logic
• Link de acesso: http://hdl.handle.net/10183/276984

A Inteligência Artificial (IA) e o Aprendizado Profundo trouxeram grandes mudanças para várias áreas da sociedade, da pesquisa à aplicação na indústria e se tornaram onipresentes. No entanto, ainda há questões em aberto e preocupações sobre a confiança na IA. Idealmente, um sistema de IA deve ser semanticamente sólido, explicável e confiável. Para atingir tais objetivos, sistemas que integram aprendizado e raciocínio incluem uma camada de raciocínio sólido combinada com estruturas de aprendizado profundo. A IA neuro-simbólica visa integrar a eficácia do aprendizado neural com a solidez do raciocínio lógico para obter ferramentas e modelos mais ricos. Um dos desafios é a integração do aprendizado e do raciocínio sobre o tempo nas redes neurais. Este trabalho integra o aprendizado e raciocínio temporal em sistemas neuro-simbólicos baseados em lógica de primeira ordem. Para fazer isso, mostra-se como adicionar aprendizado e raciocínio tem poral nas Redes de Tensores Lógicos (LTN), um framework que combina aprendizagem e raciocínio simbólico e neural com a utilização de tensores. A adição de um novo predicado para especificar propriedades temporais em sistemas de aprendizado permite uma representação e raciocínio mais ricos sobre um grande número de problemas, que exigem explicitamente uma dimensão temporal. Este trabalho também mostra como a LTN passa a aprender e raciocinar sobre uma classe geral de problemas usando raciocínio temporal e conhecimento distribuído e resolver problemas complexos e evolutivos de aprendizado distribuído. Portanto, dentre os principais resultados e contribuições, destaca-se o aprendizado e o raciocínio temporal sobre problemas complexos de computação envolvendo modelagem de tempo, incluindo tempo distribuído. A modelagem de redes neurais neuro simbólicas com o uso de axiomas temporais e regras claras também proporciona maior interpretabilidade, permitindo uma melhor compreensão da implementação do sistema neuro-simbólico proposto e, principalmente, maior escalabilidade e generalidade.