Soft Ontology Priors over Latent Concept Posteriors for Weakly Supervised Neuro-Symbolic Learning
작성자
카테고리
Empty
저자
Tengwei Song, Robert Hoehndorf
💡 개요
본 논문은 신경-기호 학습(Neuro-Symbolic Learning, NeSy) 모델이 불충분한 지도 정보(단지 작업 레이블만 사용)로 인해 발생하는 추론 편향 문제, 즉 여러 개념 매핑이 동일한 최대 가능도를 달성하여 복구된 개념의 식별 및 재사용이 어렵다는 문제를 해결합니다. 이를 위해 잠재 개념에 대한 "소프트 온톨로지 사전(soft ontology prior)"을 학습 목표에 통합하고, 이를 작업 제약 조건과 함께 부드럽고 분해 가능한 확률 회로로 컴파일하는 새로운 방법론을 제안합니다. 제안된 방법은 기존의 "하드 온톨로지(hard ontology)" 방식이 단일 잘못된 공리가 전체 모델을 망가뜨릴 수 있는 취약점을 개선합니다.
🔑 시사점 및 한계
•
소프트 온톨로지 사전 도입: 잠재 개념에 대한 유연한 제약을 통해 신경-기호 학습 모델의 추론 편향을 완화하고 개념의 안정적인 학습을 가능하게 합니다.
•
효율적인 확률 회로 컴파일: 전문가 공리를 회로의 가중치에 통합함으로써, 학습된 개념의 해석 가능성과 신뢰도를 높이면서도 효율적인 추론을 지원합니다.
•
하드 온톨로지 방식의 단점 극복: 잘못된 공리가 모델 전체에 미치는 부정적인 영향을 줄여, 실제 적용 시 보다 견고한 성능을 기대할 수 있습니다.
•
한계점: 제안된 방법의 성능은 온톨로지 사전의 질에 따라 달라질 수 있으며, 복잡한 온톨로지 구조에 대한 확장성 및 효율성 검증이 추가적으로 필요합니다.