基于子符号预测器的符号知识提取与注入：系统文献综述
人工智能
2025-01-28 v1 机器学习
计算机科学中的逻辑
摘要
在本文中，我们关注子符号机器学习预测器的不透明性问题，通过促进两种互补活动，即符号知识提取(SKE)和注入(SKI)于子符号预测器之中/于子符号预测器之外。我们将任何对人类和计算机都可理解且可解释的语言视为符号语言。因此，我们提出了两种SKE和SKI的通用元模型，以及用于SKE和SKI方法分类的两种分类法。通过采用可解释人工智能(XAI)视角，我们强调这些方法如何被用于缓解上述不透明性问题。我们的分类法通过系统方法调查和分类现有文献中的方法，并通过概括针对SKE或SKI特定子主题的先前调查的结果来实现。更准确地说，我们分析了132种SKE方法和117种SKI方法，并根据其目的、操作、预期输入/输出数据和预测器类型对其进行分类。对于每种方法，我们还指明其是否包含可运行的软件实现。我们的工作可能对旨在选择最合适SKE/SKI方法以满足其需求的数据科学家感兴趣，也可作为为研究人员填补当前研究前沿空白的建议，以及愿意实施SKE/SKI-based技术的开发人员的参考。
引用
@article{arxiv.2501.14836,
title = {Symbolic Knowledge Extraction and Injection with Sub-symbolic Predictors: A Systematic Literature Review},
author = {Giovanni Ciatto and Federico Sabbatini and Andrea Agiollo and Matteo Magnini and Andrea Omicini},
journal= {arXiv preprint arXiv:2501.14836},
year = {2025}
}