Qué falla en el aprendizaje neuro-simbólico con lógicas descriptivas
Las ontologías OWL 2 DL, basadas en la lógica descriptiva SROIQ, hace tiempo que se convirtieron en una herramienta de trabajo en biomedicina y en la Semantic Web: permiten describir grandes bases de conocimiento de forma compacta. Pero cuando se trata de entrenar redes neuronales con estas ontologías, empiezan los problemas. Los enfoques clásicos o bien «difuminan» la lógica, integrando la ontología en espacios vectoriales continuos, con lo que se pierde la consecuencia lógica estricta, o bien se limitan al fragmento de Horn EL++, que solo tiene un modelo canónico. Por eso, las ontologías expresivas a menudo quedan fuera del alcance de los sistemas híbridos.
Compilación de la ontología en un esquema diferenciable
El sistema Baobab propone no llegar a un compromiso: compila la ontología SROIQ completa con una ABox finita en un Sentential Decision Diagram (SDD). El proceso consta de dos etapas: primero, el núcleo proposicional se satura mediante un cálculo basado en consecuencias (consequence-based calculus); después, las construcciones específicas de SROIQ — nominales, restricciones de cardinalidad sobre roles y axiomas de roles — se instancian sobre el dominio activo. El resultado es un esquema sobre el que se puede realizar un recuento ponderado de modelos (weighted model count, WMC). Es precisamente el WMC el que se convierte en el vínculo entre la red neuronal y las restricciones lógicas.
Entrenamiento de la red neuronal preservando la lógica
El recuento ponderado de modelos del SDD teniendo en cuenta las evidencias permite entrenar una red de percepción — por ejemplo, una red neuronal convolucional — para reconocer imágenes incluso cuando solo una parte de los datos está anotada en la ABox. En el experimento, los autores construyeron una ontología que utiliza todas las características distintivas de SROIQ y entrenaron una CNN para reconocer dígitos MNIST relacionados por una relación de sucesión. La red no solo clasificaba las imágenes: recuperó los conceptos ontológicos latentes. Con un entrenamiento independiente de la percepción, esos conceptos se quedan en el nivel del azar, mientras que aquí se aprendieron gracias a las restricciones lógicas.
Reasoning shortcuts y a posteriori calibrado
Cuando la señal supervisada admite varias formas de completar igualmente consistentes con la ontología, una red entrenada de forma independiente a menudo se «colapsa» hacia una de ellas. Los autores denominan a este fenómeno reasoning shortcut. En el artículo se muestra que una mezcla indexada por justificaciones de la consulta es capaz de representar un a posteriori calibrado — algo inalcanzable para un modelo único. Además, si se inicializa esa mezcla a partir de los completamientos enumerados del esquema, se puede obtener un a posteriori bayesiano óptimo en la tarea MNIST con imágenes reales. En comparación, un WMC único y las mezclas-ensamblaje entrenadas no dan ese resultado.
Verificación de la corrección y disponibilidad
Los autores señalan que este es el primer trabajo en el que los reasoning shortcuts se caracterizan y mitigan para una lógica descriptiva no-horniana. La corrección del compilador y el resultado sobre la representabilidad se verifican automáticamente en Lean 4 — un argumento serio a favor de la fiabilidad del enfoque. El código del sistema es abierto, así que los resultados se pueden reproducir y ampliar.
Conclusión
Baobab demuestra que no es necesario sacrificar la expresividad de la lógica descriptiva por la capacidad de aprendizaje. La compilación de SROIQ en un esquema diferenciable preserva las consecuencias lógicas y, al mismo tiempo, permite entrenar redes neuronales con datos reales. Y la solución del problema de los reasoning shortcuts mediante mezclas indexadas por justificaciones es un paso importante hacia modelos híbridos más fiables y calibrados.
