🧠 تلفیق منطق و یادگیری ماشین؛ گامی جدید در حل چالش‌های داده‌های مبهم

محققان در مقاله جدید خود به سراغ یکی از نقاط ضعف مدل‌های یادگیری ماشین رفته‌اند: «داده‌های ضعیف» یا همان Weak Supervision.

این پژوهش با ترکیب یادگیری عصبی-نمادین (Neuro-symbolic) و برنامه‌نویسی منطقی استنتاجی (ILP)، چارچوبی طراحی کرده تا مدل‌ها بتوانند در شرایطی که برچسب‌های داده‌ها دقیق نیستند یا با ابهام مواجه‌اند، استدلال دقیق‌تری داشته باشند. این یعنی مدل‌ها به جای تکیه صرف بر آمارهای سطحی، از ساختارهای منطقی برای درک عمیق‌تر روابط استفاده می‌کنند.

این دستاورد می‌تواند کلید حل مشکلاتی باشد که مدل‌های فعلی در درک معنایی (Semantics) با آن دست‌وپنج نرم می‌کنند.

منبع: arXiv AI