SoftReason يسد الفجوة التدرجية التي منعت الشبكات العصبية من التفكير المنطقي حقًا

كانت الفجوة بين الإدراك والاستنباط أحد الجدران العنيدة في الذكاء الاصطناعي. يمكن للشبكة العصبية أن تتعلم التعرف على الأشياء في الصورة، ولكن عندما تحتاج إلى ربط هذه الملاحظات في استنتاجات منطقية، تصطدم بحاجز منفصل: ناتج المصنف هو احتمال، بينما مدخل المُستدل الرمزي هو حقيقة. لا يمكن للتدرج عبور هذه الحدود، لذلك يتدرب النظامان بشكل منفصل ولا يساعد نصف الاستدلال أبدًا النصف الإدراكي على التحسن.

تقترح ورقة بحثية جديدة على arXiv طريقة لهدم هذا الجدار. يقدم SoftReason، من فريق من الباحثين، بنية قابلة للتفاضل بالكامل للاستدلال الاستنباطي تحافظ على كل خطوة من سلسلة الاستدلال قابلة للتعلم. بدلاً من تغذية الحقائق المنفصلة من الإدراك إلى مُستدل منفصل، يمثل النظام الحالة الاستنباطية بأكملها كمصفوفة تفسيرية ناعمة عبر الثوابت والمسندات المرشحة. كل تحديث، كل تجميع للشهود، كل اقتراح لحقيقة رئيسية مشروطة بالاستعلام يبقى داخل رسم بياني حسابي قابل للتفاضل.

كيف يعمل الاستدلال الناعم

الفكرة الأساسية هي رفع قابل للتفاضل ومتعلم لعامل النتيجة الفورية، المحرك المنطقي الذي يستمد حقائق جديدة من المعروفة. في قاعدة بيانات استنباطية كلاسيكية، يكون العامل حتميًا: إذا كانت المقدمتان A و B صحيحتين، فإن الاستنتاج C صحيح. يجعل SoftReason هذه العملية ناعمة باستخدام تضمينات تعريف المسند وقنوات التركيب الكامنة لتشكيل خلائط من مسندات الجسم، ثم يجمع عبر جميع الشهود المحتملين لاقتراح حقائق رئيسية مشروطة بالاستعلام. يتم تحديث التفسير من خلال OR احتمالية رتيبة، مما يضمن تقارب الشبكة إلى نقطة ثابتة دون كسر قابلية التفاضل.

هذا التصميم ليس حيلة صغيرة. إنه يغير كيفية تخصيص النظام للائتمان. إذا أخطأ نموذج بصري في التعرف على كائن وفشل المُستدل في الإجابة على سؤال، يمكن للتدرج أن يتدفق عائدًا من إجابة الاستعلام وصولاً إلى المشفر الإدراكي، لضبط الأوزان التي أنتجت التعرف الخاطئ. لا تستطيع المسارات العصبية الرمزية التقليدية القيام بذلك لأن واجهة الحقائق المنفصلة الخاصة بها تمنع التدرج عند الحدود.

التطبيق على KVQA

يطبق المؤلفون SoftReason على الإجابة على الأسئلة البصرية المعرفية، وهو معيار يتطلب كلاً من التثبيت البصري والاستدلال القائم على الرسم البياني المعرفي. تأخذ البنية صورة، وسؤالًا باللغة الطبيعية، ومجموعة من ثلاثيات الرسم البياني المعرفي، ويجب أن تنتج إجابة. يقترح الإدراك حقائق أساسية احتمالية من الصورة. تدخل ثلاثيات الرسم البياني المعرفي كأدلة ناعمة عالية الثقة، مرجحة ولكنها لا تزال قابلة للتفاضل. ثم تقوم وحدة الاستدلال بإغلاق استنباطي ناعم، لنشر الاعتقاد عبر فضاء المسند حتى الوصول إلى نقطة ثابتة.

تظهر النتائج المبلغ عنها في الورقة أن SoftReason يطابق أو يتجاوز دقة الخطوط الأساسية المنفصلة على KVQA، مع تمكين التدريب من البداية إلى النهاية. تكون الفجوة في الدقة أكثر وضوحًا في الأسئلة التي تتطلب استدلالًا متعدد الخطوات، حيث يمكن لوحدة الاستدلال الناعم استخدام إشارة التدرج لتحسين توزيع الثقة للنموذج الإدراكي.

ماذا يعني هذا للمشهد العصبي الرمزي

معظم الأنظمة الحالية التي تجمع بين الإدراك العصبي والاستدلال الرمزي تقع في معسكرين: إما أنها تدرب الإدراك من البداية إلى النهاية وتجمده قبل تغذية الحقائق إلى وحدة رمزية منفصلة، أو أنها تقوم بترميز قواعد مصممة يدويًا تتجاوز التعلم تمامًا. يهاجم SoftReason كلا القيدين. التصميم القابل للتفاضل بالكامل يعني أن نفس خوارزمية الانتشار العكسي التي تدرب مشفر الرؤية يمكنها أيضًا تشكيل القواعد الاستنباطية.

هذا مهم بشكل خاص للمجالات التي تكون فيها المدخلات الإدراكية غامضة بطبيعتها. في التصوير الطبي، على سبيل المثال، قد تكون حدود الآفة غير مؤكدة، وتحتاج سلسلة من القواعد التشخيصية إلى التفكير في هذا الغموض. يمكن لمصفوفة التفسير الناعمة لـ SoftReason تمثيل الأدلة المتضاربة ونشرها دون فرض اختيار منفصل في وقت مبكر من المسار. ينطبق المنطق نفسه على القيادة الذاتية، وتحليل المستندات القانونية، أو أي سيناريو حيث يجب أن تدعم البيانات عالية الأبعاد التفكير المنظم مع عدم اليقين الإثباتي.

أسئلة لا تزال مفتوحة

SoftReason هي ورقة أولية، ولا تزال عدة أسئلة دون إجابة. تثبت الورقة البنية على KVQA، وهو إعداد محكوم نسبيًا. سيشكل توسيع نطاق مصفوفة التفسير الناعمة إلى قواعد معرفية أكبر بآلاف المسندات وملايين الكيانات اختبارًا للجدوى الحسابية للنهج. يضمن تحديث OR الاحتمالي الرتيب التقارب، ولكن بتكلفة تنمو مع حاصل ضرب الثوابت المرشحة وعدد المسندات.

سؤال مفتوح آخر هو مدى قابلية النهج للانتقال عبر المجالات دون إعادة تدريب عامل الاستنباط. يتم تعلم تضمينات تعريف المسند لرسم بياني معرفي محدد. من المحتمل أن يتطلب التعميم لمجالات جديدة أو مخططات قواعد جديدة إعادة التدريب أو الضبط الدقيق، مما يحد من جاذبية التوصيل والتشغيل.

مع ذلك، التقدم المفاهيمي حقيقي. إذا تمكن البحث من التوسع، فإنه يقدم مسارًا مبدئيًا نحو الأنظمة التي تتعلم التفكير وتفكر لتتعلم، دون جدار منفصل بينهما.