Strojové učení relevantního uvažování s neuro-logickým programováním

Abstract

Tato práce demonstruje schopnosti vylepšeného neuro-logického frameworku podchytit různé úlohy umělé inteligence, které jsou založeny na různorodých metodách uvažování. Základadem k tomuto frameworku je stávající engine nazvaný Lifted Relational Neural Networks. V práci popisujeme nejčastější metody strojového uvažování používané ve statistických a symbolických metodách a také jak mohou být jednotlivé vzorce uvažování zakódovány do podoby navrženého neuro-logického programování. Dále se blíže zaměřujeme na schopnosti vyjadřování, které vzniknou kombinací obou přístupů. Na vybraných příkladech z herního prostředí ilustrujeme, jak tento společný neuro-logický přístup rozšiřuje schopnosti již existujísích metod uvažování pracovat nad relačními strukturami při zachování výhod neurálního učení.

This thesis demonstrates the capability of an enhanced neuro-logic programming framework to capture diverse artificial intelligence tasks based on different reasoning patterns. The enhanced framework is building on existing engine called Lifted Relational Neural Networks. We describe common reasoning patterns used in statistical and symbolic methods and demonstrate how each particular pattern may be captured from the perspective of the proposed neuro-logic programming framework. We discuss the patterns in context of learning and reasoning and further focus more closely on abilities that arise from combination of both approaches. On selected examples from simple game environments, we illustrate how this joint neuro-logic programming approach broadens the scope of existing reasoning patterns through the ability to represent and reason with relational information while keeping the benefits of neural learning.