न्यूरो-सिम्बोलिक लर्निंग में डिस्क्रिप्टिव लॉजिक की समस्या
SROIQ डिस्क्रिप्टिव लॉजिक पर आधारित OWL 2 DL ऑन्टोलॉजी लंबे समय से बायोमेडिसिन और सेमेंटिक वेब में एक कार्यशील उपकरण रही हैं — वे बड़े ज्ञानकोषों को संक्षिप्त रूप से वर्णित करने की अनुमति देती हैं। लेकिन जब ऐसी ऑन्टोलॉजी का उपयोग करके न्यूरल नेटवर्क को प्रशिक्षित करने की बात आती है, तो समस्याएँ शुरू हो जाती हैं। शास्त्रीय दृष्टिकोण या तो ऑन्टोलॉजी को निरंतर वेक्टर स्पेस में एम्बेड करके तर्क को "धुंधला" कर देते हैं, जिससे कठोर तार्किक अनुसरण खो जाता है, या वे EL++ के हॉर्न-फ्रैगमेंट तक सीमित रहते हैं, जिसमें केवल एक विहित मॉडल होता है। इसके कारण, अभिव्यंजक ऑन्टोलॉजी अक्सर हाइब्रिड सिस्टम के लिए दुर्गम रहती हैं।
ऑन्टोलॉजी को डिफरेंशिएबल स्कीमा में संकलित करना
Baobab प्रणाली समझौता नहीं करती: यह सीमित ABox के साथ पूर्ण SROIQ ऑन्टोलॉजी को Sentential Decision Diagram (SDD) में संकलित करती है। यह प्रक्रिया दो चरणों में चलती है: पहले, प्रोपोज़िशनल कोर को कॉन्सीक्वेंस-आधारित कैलकुलस का उपयोग करके संतृप्त किया जाता है, फिर SROIQ-विशिष्ट निर्माण — नॉमिनल, रोल संख्या प्रतिबंध और रोल अभिगृहीत — सक्रिय डोमेन पर इंस्टेंशिएट किए जाते हैं। परिणामस्वरूप एक ऐसी स्कीमा प्राप्त होती है जिस पर वेटेड मॉडल काउंट (WMC) निष्पादित किया जा सकता है। यही WMC न्यूरल नेटवर्क और तार्किक बाधाओं के बीच कड़ी बन जाता है।
तर्क को संरक्षित रखते हुए न्यूरल नेटवर्क का प्रशिक्षण
साक्ष्यों को ध्यान में रखते हुए SDD का वेटेड मॉडल काउंट, धारणा नेटवर्क — जैसे कि कन्वोल्यूशनल न्यूरल नेटवर्क — को छवियों को पहचानने के लिए प्रशिक्षित करने की अनुमति देता है, तब भी जब केवल कुछ डेटा ABox में लेबल किया गया हो। प्रयोग में, लेखकों ने SROIQ की सभी विशिष्ट विशेषताओं का उपयोग करते हुए एक ऑन्टोलॉजी बनाई और CNN को अनुक्रम संबंध से जुड़े MNIST अंकों को पहचानने के लिए प्रशिक्षित किया। नेटवर्क ने केवल छवियों को वर्गीकृत नहीं किया — इसने अव्यक्त ऑन्टोलॉजिकल अवधारणाओं को पुनर्स्थापित किया। स्वतंत्र धारणा प्रशिक्षण में, ऐसी अवधारणाएँ यादृच्छिकता के स्तर पर रहती हैं, लेकिन यहाँ वे तार्किक बाधाओं के कारण सीखी गईं।
रीज़निंग शॉर्टकट और कैलिब्रेटेड पोस्टीरियर
जब सुपरवाइज़री सिग्नल कई पूर्णता विकल्पों की अनुमति देता है जो ऑन्टोलॉजी के साथ समान रूप से संगत हैं, तो स्वतंत्र रूप से प्रशिक्षित नेटवर्क अक्सर उनमें से एक पर "सिकुड़" जाता है। लेखक इस घटना को रीज़निंग शॉर्टकट कहते हैं। लेख में दिखाया गया है कि क्वेरी के जस्टिफिकेशन द्वारा अनुक्रमित एक मिश्रण, कैलिब्रेटेड पोस्टीरियर का प्रतिनिधित्व कर सकता है — जो एकल मॉडल के लिए अप्राप्य है। इसके अलावा, यदि ऐसे मिश्रण को स्कीमा की सूचीबद्ध पूर्णताओं से प्रारंभ किया जाता है, तो वास्तविक छवियों वाले MNIST कार्य पर बायेसियन-इष्टतम पोस्टीरियर प्राप्त किया जा सकता है। तुलना के लिए: एकल WMC और प्रशिक्षित मिश्रण-एन्सेम्बल ऐसा परिणाम नहीं देते।
सत्यापन और उपलब्धता
लेखक ध्यान देते हैं कि यह पहला कार्य है जिसमें गैर-हॉर्न डिस्क्रिप्टिव लॉजिक के लिए रीज़निंग शॉर्टकट को चित्रित और कम किया गया है। कंपाइलर की शुद्धता और प्रतिनिधित्वशीलता परिणाम को Lean 4 में मशीन-सत्यापित किया गया है — यह दृष्टिकोण की विश्वसनीयता के पक्ष में एक गंभीर तर्क है। सिस्टम का कोड खुला है, इसलिए परिणामों को पुन: प्रस्तुत और विकसित किया जा सकता है।
निष्कर्ष
Baobab दर्शाता है कि सीखने की क्षमता के लिए डिस्क्रिप्टिव लॉजिक की अभिव्यंजकता का त्याग करना आवश्यक नहीं है। SROIQ का डिफरेंशिएबल स्कीमा में संकलन तार्किक अनुसरण को संरक्षित रखता है और साथ ही वास्तविक डेटा पर न्यूरल नेटवर्क को प्रशिक्षित करने की संभावना प्रदान करता है। और जस्टिफिकेशन-अनुक्रमित मिश्रणों के माध्यम से रीज़निंग शॉर्टकट की समस्या का समाधान — अधिक विश्वसनीय और कैलिब्रेटेड हाइब्रिड मॉडल की दिशा में एक महत्वपूर्ण कदम है।
