N'Dah Jean Kouagou promovierte erfolgreich zum Thema „Fast Neuro-Symbolic Approaches for Class Expression Learning“ bei Prof. Dr. Axel-Cyrille Ngonga Ngomo.
Zusammenfassung der Dissertation:
Angesichts der rasanten Entwicklung der Fähigkeiten heutiger KI-Systeme besteht ein dringender Bedarf an erklärbaren KI-Methoden, um das Verhalten dieser Systeme zu verstehen. Zu diesem Zweck birgt das Lernen von Klassenausdrücken in Beschreibungslogiken enormes Potenzial. Ein Klassenausdruck liefert eine klare Beschreibung, warum ein bestimmtes Beispiel als positiv eingestuft wird, und ist somit ein White-Box-Modell. Bei den meisten bestehenden Ansätzen zum Lernen von Klassenausdrücken handelt es sich um suchbasierte Methoden, die viele Kandidaten für Klassenausdrücke generieren und denjenigen mit der höchsten Klassifizierungspunktzahl auswählen. Während diese Ansätze bei kleinen Datensätzen oft gut funktionieren, ist ihr Suchraum unendlich und seine Erkundung wird bei großen Datensätzen selbst für ein einziges Lernproblem mühsam. In dieser Arbeit entwickeln wir mehrere neuro-symbolische Ansätze, um das Lernen von Klassenausdrücken in großem Umfang zu bewältigen. Unser erster Ansatz CLIP verwendet neuronale Netze, um Konzeptlängen zu lernen, und nutzt trainierte Konzeptlängenprädiktoren, um Lernprobleme effizient zu lösen. Neuronale Klassenausdrucksynthesizer (NCES) lösen das Lernen von Klassenausdrücken in $\mathcal{ALC}$ auf eine Art und Weise, die der maschinellen Übersetzung ähnelt, und unterstützen anspruchsvolle Computerhardware wie GPUs. NCES2 erweitert NCES auf die Beschreibungslogik $\mathcal{ALCHIQ}^{(\mathcal{D})}$, integriert ein Einbettungsmodell für End-to-End-Training und verwendet eine Datenerweiterungstechnik, um die Generalisierung auf unbekannte Lernprobleme zu verbessern. Schließlich verwendet ROCES iteratives Sampling, um die Robustheit von neuronalen Klassenausdrucksynthesizern gegenüber Änderungen in der Anzahl der Eingabebeispiele zu verbessern. Experimentelle Ergebnisse auf Benchmark-Datensätzen deuten darauf hin, dass die von uns vorgeschlagenen Ansätze deutlich schneller sind als der Stand der Technik (bis zu 10.000$\mal$ mit NCES, NCES2 und ROCES) und gleichzeitig in der Vorhersageleistung sehr wettbewerbsfähig sind.
