ما المشكلة في التعلّم العصبي-الرمزي على منطق الوصف
أنطولوجيات OWL 2 DL، المبنية على منطق الوصف SROIQ، أصبحت منذ زمنٍ طويل أداةً عملية في الطب الحيوي وعلى الويب الدلالي — فهي تتيح وصف قواعد المعرفة الكبيرة بشكلٍ مضغوط. لكن عندما يتعلق الأمر بتدريب الشبكات العصبية باستخدام هذه الأنطولوجيات، تبدأ المشاكل. فالأساليب التقليدية إما «تُضعف» المنطق بدمج الأنطولوجيا في فضاءات متجهية متصلة، مما يؤدي إلى فقدان الاستلزام المنطقي الصارم، أو تقتصر على جزء هورن EL++، الذي لا يملك سوى نموذجٍ قانوني واحد. ولهذا السبب، غالباً ما تظل الأنطولوجيات التعبيرية غير متاحة للأنظمة الهجينة.
ترجمة الأنطولوجيا إلى مخطط قابل للاشتقاق
يقترح نظام Baobab عدم المساومة: فهو يترجم الأنطولوجيا الكاملة SROIQ مع ABox منتهية إلى مخطط قرار جُملّي (SDD). تتم العملية على مرحلتين: أولاً، يتم إشباع النواة الافتراضية باستخدام حساب النتائج (consequence-based calculus)، ثم يتم إنشاء مثيلات للبنى الخاصة بـ SROIQ — الأسماء الفردية، والقيود على عدد الأدوار، وبديهيات الأدوار — على المجال النشط. والنتيجة هي مخطط يمكن من خلاله تنفيذ العد الموزون للنماذج (WMC). وWMC هو ما يصبح حلقة الوصل بين الشبكة العصبية والقيود المنطقية.
تدريب الشبكة العصبية مع الحفاظ على المنطق
يتيح العد الموزون لنماذج SDD مع مراعاة الأدلة تدريب شبكة الإدراك — مثل الشبكة العصبية الالتفافية — على التعرف على الصور حتى عندما يكون جزء فقط من البيانات مُعلَّماً في ABox. في التجربة، بنى المؤلفون أنطولوجيا تستخدم جميع السمات المميزة لـ SROIQ، ودرّبوا CNN على التعرف على أرقام MNIST المرتبطة بعلاقة التتابع. لم تقم الشبكة بتصنيف الصور فحسب — بل استعادت المفاهيم الأنطولوجية الكامنة. في التدريب المستقل للإدراك، تظل هذه المفاهيم عند مستوى العشوائية، أما هنا فقد تم تعلمها بفضل القيود المنطقية.
الاختصارات الاستدلالية والاحتمال البعدي المُعايَر
عندما تسمح الإشارة الإشرافية بعدة خيارات للإكمال، متسقةً جميعها مع الأنطولوجيا، غالباً ما «تنهار» الشبكة المدربة بشكل مستقل على أحدها. يسمي المؤلفون هذه الظاهرة بالاختصار الاستدلالي (reasoning shortcut). يُظهر المقال أن مزيجاً مفهرساً بالمبررات (justifications) للاستعلام يمكنه تمثيل احتمال بعدي مُعايَر — وهو أمر لا يمكن تحقيقه بنموذج واحد. علاوة على ذلك، إذا تمت تهيئة هذا المزيج من الإكمالات المعدودة للمخطط، يمكن الحصول على احتمال بعدي أمثل بايزياً على مهمة MNIST بصور حقيقية. للمقارنة: WMC منفرد والمزيج-الجماعي المدرب لا يعطيان هذه النتيجة.
التحقق من الصحة وتوافر المصدر
يشير المؤلفون إلى أن هذا هو العمل الأول الذي يتم فيه توصيف الاختصارات الاستدلالية وتخفيفها لمنطق الوصف غير الهورني. تم التحقق آلياً من صحة المترجم ونتيجة القابلية للتمثيل في Lean 4 — وهي حجة قوية لموثوقية النهج. كود النظام مفتوح المصدر، لذا يمكن إعادة إنتاج النتائج وتطويرها.
الخلاصة
يُظهر Baobab أنه ليس من الضروري التضحية بتعبيرية منطق الوصف من أجل قابلية التعلم. فترجمة SROIQ إلى مخطط قابل للاشتقاق تحافظ على النتائج المنطقية وتتيح في الوقت نفسه تدريب الشبكات العصبية على بيانات حقيقية. وحل مشكلة الاختصارات الاستدلالية عبر المزيج المفهرس بالمبررات — خطوة مهمة نحو نماذج هجينة أكثر موثوقية ومعايرة.
