O que há de errado com o aprendizado neuro-simbólico em lógicas de descrição
Ontologias OWL 2 DL, baseadas na lógica de descrição SROIQ, há muito se tornaram uma ferramenta de trabalho na biomedicina e na Web Semântica — elas permitem descrever de forma compacta grandes bases de conhecimento. Mas quando se trata de treinar redes neurais com essas ontologias, começam os problemas. Abordagens clássicas ou "embaçam" a lógica, incorporando a ontologia em espaços vetoriais contínuos, perdendo assim a implicação lógica estrita, ou se limitam ao fragmento de Horn EL++, que possui apenas um modelo canônico. Por causa disso, ontologias expressivas muitas vezes ficam inacessíveis para sistemas híbridos.
Compilação da ontologia em um esquema diferenciável
O sistema Baobab propõe não fazer concessões: ele compila a ontologia SROIQ completa com uma ABox finita em um Sentential Decision Diagram (SDD). O processo ocorre em duas etapas: primeiro, o núcleo proposicional é saturado usando um cálculo baseado em consequências (consequence-based calculus); em seguida, construções específicas do SROIQ — nominais, restrições de cardinalidade e axiomas de papéis — são instanciadas na região ativa. O resultado é um esquema sobre o qual se pode realizar a contagem ponderada de modelos (weighted model count, WMC). É o WMC que se torna o elo entre a rede neural e as restrições lógicas.
Treinamento de rede neural com preservação da lógica
A contagem ponderada de modelos do SDD considerando as evidências permite treinar uma rede de percepção — por exemplo, uma rede neural convolucional — para reconhecer imagens mesmo quando apenas parte dos dados é rotulada na ABox. No experimento, os autores construíram uma ontologia que utiliza todas as características distintivas do SROIQ e treinaram uma CNN para reconhecer dígitos MNIST relacionados por uma relação de sucessão. A rede não apenas classificou as imagens — ela recuperou conceitos ontológicos latentes. No treinamento independente de percepção, esses conceitos permanecem no nível do acaso, mas aqui foram aprendidos graças às restrições lógicas.
Reasoning shortcuts e a posteriori calibrado
Quando o sinal de supervisão permite múltiplas formas de completude, igualmente consistentes com a ontologia, uma rede treinada de forma independente frequentemente "colapsa" para uma delas. Os autores chamam esse fenômeno de reasoning shortcut. No artigo, mostra-se que uma mistura indexada por justificativas (justifications) da consulta é capaz de representar um a posteriori calibrado — algo inatingível para um modelo único. Além disso, se essa mistura for inicializada a partir das completudes enumeradas do esquema, é possível obter um a posteriori bayesianamente ótimo na tarefa MNIST com imagens reais. Para comparação: um WMC único e misturas-ensemble treinadas não produzem esse resultado.
Verificação de corretude e disponibilidade
Os autores observam que este é o primeiro trabalho em que reasoning shortcuts são caracterizados e mitigados para uma lógica de descrição não-Horn. A corretude do compilador e o resultado sobre representabilidade foram verificados mecanicamente em Lean 4 — um argumento sério a favor da confiabilidade da abordagem. O código do sistema é aberto, então os resultados podem ser reproduzidos e desenvolvidos.
Conclusão
O Baobab mostra que, para ser treinável, não é necessário sacrificar a expressividade da lógica de descrição. A compilação do SROIQ em um esquema diferenciável preserva as consequências lógicas e, ao mesmo tempo, possibilita treinar redes neurais em dados reais. E resolver o problema dos reasoning shortcuts por meio de misturas indexadas por justificativas é um passo importante para modelos híbridos mais confiáveis e calibrados.
