一种受贝特森启发的从空间感知数据生成语义形式概念的递归模型
人工智能
2023-07-19 v2
摘要
机器学习的神经-符号方法结合了连接主义与符号方法的优势。通常，这些模型采用基于神经架构的第一模块从复杂数据中提取特征。然后，这些特征被符号引擎作为符号处理，从而提供推理、概念结构、可组合性、更好的泛化与分布外学习等可能。然而，将符号锚定于感知数据的神经方法尽管强大，在很大程度上仍需要大量训练与繁琐标注。本文提出一种仅符号的方法，用于从复杂空间感知数据生成层次化概念结构。该方法基于贝特森的“差异是观念或概念生成之关键”这一观念。遵循其建议，模型通过对多元数值流中的元素顺序比较从原始数据提取原子特征。更高层构造通过对这些特征在递归过程中施加进一步比较而构建。在递归的任何阶段，都可通过形式概念分析从这些构造与特征中获得概念结构。结果表明，该模型无需训练即可生成相当丰富且人类可读的概念表示。此外，通过该模型获得的概念结构(i)呈现高可组合性，潜在地支持“未见”概念的生成，(ii)允许形式推理，(iii)具有泛化与分布外学习的固有能力。因此，该方法可为当前神经-符号研究提供一个有趣的视角。未来工作需要开发一种训练方法，以便该模型能在更大数据集上测试。
引用
@article{arxiv.2307.08087,
title = {A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data},
author = {Jaime de Miguel-Rodriguez and Fernando Sancho-Caparrini},
journal= {arXiv preprint arXiv:2307.08087},
year = {2023}
}