结合可演化策略的神经符号集成

神经符号人工智能已成为一种极具前景的方法，它将神经网络的学习能力与符号系统的可解释推理相结合。然而，现有的神经符号框架通常需要预定义的符号策略或可微的策略，这限制了其在领域专业知识不可用或策略本身不可微时的适用性。我们提出了一个框架来解决这一局限性，该框架通过演化过程实现不可微符号策略与神经网络权重的并发学习。我们的方法将神经符号系统视为种群中的有机体，通过突变（包括符号规则添加和神经权重改变）进行演化，并基于适应度选择引导其向隐藏目标策略收敛。该框架扩展了 NEUROLOG 架构以使符号策略可训练，将 Valiant 的可演化性框架适应于神经符号场景，并采用机器教练语义用于可变符号表示。神经网络通过来自符号组件的溯因推理进行训练，消除了可微性要求。通过大量实验，我们证明了从空策略和随机神经权重开始的神经符号系统可以成功逼近隐藏的不可微目标策略，中位正确性能接近 100%。这项工作向在难以或无法从专家获取符号知识的领域中开展神经符号研究迈出了一步。