知识注入学习 (K-IL):迈向深度学习中对知识的深度融入
人工智能
2023-09-04 v2 计算与语言
机器学习
摘要
学习数据中的潜在模式超越了基于实例的泛化,扩展到以结构化图或网络表示的外部知识。主要构成 AI 中神经计算流的深度学习,已在使用多层计算节点(即神经元/隐藏单元)网络概率性学习潜在模式方面显示出显著进展。支撑符号计算方法且常支持推理的结构化知识,近年来也以广泛型(如 DBPedia、Yago)和领域、行业或应用特定知识图的形式显著增长。两者在共同基底上的审慎整合将带来开发 AI 的神经符号学习方法的机遇,其中概念性与概率性表示相结合。由于外部知识的引入将有助于监督模型的特征学习,将知识图中的表示性知识深度注入隐藏层中将进一步增强学习过程。尽管仍有大量工作待完成,我们相信知识图将在开发混合神经符号智能系统(自底向上深度学习与自顶向下符号计算)以及构建可解释 AI 系统中发挥日益重要的作用,其中知识图将为神经计算提供支撑框架。在本立场论文中,我们描述了我们对这种神经符号方法及结合知识图与神经网络的框架的动机。
引用
@article{arxiv.1912.00512,
title = {Knowledge Infused Learning (K-IL): Towards Deep Incorporation of Knowledge in Deep Learning},
author = {Ugur Kursuncu and Manas Gaur and Amit Sheth},
journal= {arXiv preprint arXiv:1912.00512},
year = {2023}
}