一个递归的受贝茨森启发的模型，用于从空间感知数据生成语义形式概念。
摘要：从连接主义和符号方法中吸收优势的神经符号化机器学习方法通常采用基于神经结构的第一个模块从复杂数据中提取特征。然后，这些特征被符号引擎处理为符号，该引擎提供推理、概念结构、可组合性、更好的泛化和超出分布学习等可能性。然而，尽管神经方法在将符号与感官数据联系起来方面具有强大的功能，但大部分情况下仍需要大量的训练和繁琐的标记。本文提出了一种基于符号的方法，用于从复杂的空间感知数据生成分层概念结构。该方法基于贝特森关于差异作为思想或概念产生的关键的观点。按照他的建议，该模型通过计算多变量数值流中的元素顺序比较，从原始数据中提取原子特征。通过将这些特征进行进一步的比较构建高层构造，这些构造可通过递归过程从这些构造和特征中获得概念结构。在递归的任何阶段，可以通过形式概念分析从这些构造和特征中获得概念结构。结果表明，该模型能够生成相当丰富且可读性强的概念表示，而无需训练。此外，通过模型获得的概念结构具有高度的组合性，这潜在地使“未见过”的概念的生成成为可能，允许形式推理，具有泛化和超出分布学习的内在能力。因此，该方法可能为当前的神经符号化研究提供有趣的观点。未来的工作需要开发训练方法，以便对该模型进行更大数据集的测试。
作者：Jaime de Miguel-Rodriguez, Fernando Sancho-Caparrini
论文ID：2307.08087
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-07-19