Exploring knowledge graph-based neural-symbolic system from application perspective

人工智能（AI）和深度神经网络的进步推动了视觉和文本处理方面的显著进展。然而，在AI系统中实现类似人类的推理和可解释性仍然是一个重大挑战。神经符号学范式将神经网络与符号系统相结合，提供了一条向更可解释AI的有希望的路径。在这个范式中，知识图谱（KG）至关重要，通过互联实体和关系（通常为三元组（主语，谓语，宾语））提供了一种结构化和动态的表示知识的方法。本文探讨了基于KG的神经符号集成的最新进展，研究它如何支持三个类别的集成：用符号知识增强神经网络的推理和可解释性（符号用于神经），通过神经网络方法改进符号系统的完整性和准确性（神经用于符号），以及促进它们在混合神经符号集成中的联合应用。它突出了当前的趋势，并提出了神经符号AI的未来研究方向。

论文探讨了神经符号一体化的方法，以实现更具可解释性的人工智能。

论文介绍了如何通过知识图谱（KG）来实现神经符号一体化，从而提高神经网络的推理和可解释性，以及符号系统的完整性和准确性。

论文提出了三种神经符号一体化的方法：符号用于神经网络、神经用于符号系统、混合神经符号一体化。实验使用了多个数据集，包括知识图谱和自然语言推理任务，证明了该方法的有效性。

与该论文相关的研究包括：《Neural-Symbolic Computing: An Effective Methodology for Principled Integration of Machine Learning and Reasoning》、《Neural-Symbolic VQA: Disentangling Reasoning from Vision and Language Understanding》等。