Neuro-symbolische Klassifikation: Ontologien in probabilistische Schaltkreise

Neuro-symbolische Ansätze kombinieren die Lernkraft neuronaler Netze mit der Präzision logischer Regeln, doch bislang fehlt ihnen eine native Möglichkeit, komplexe Ontologien einzubinden. In der vorliegenden Arbeit wird ein Verfahren vorgestellt, das Description‑Logic‑Ontologien in differenzierbare Schaltkreise übersetzt und damit die Konsistenz von Klassifikationsvorhersagen mit domänenspezifischem Wissen garantiert.

Die Autoren kodieren die Ontologie als einen Feed‑Forward‑Graph, der auf GPUs ausgeführt werden kann. Durch diese Kompilierung entstehen nicht nur synthetische Datensätze, die die semantische Struktur der Ontologie widerspiegeln, sondern auch effiziente deduktive Reasoning‑Mechanismen, die bis zu tausendmal schneller als herkömmliche Reasoner arbeiten.

In Experimenten zeigen die Ergebnisse, dass die generierten Datensätze für klassische Machine‑Learning‑Modelle, einschließlich neuronaler Netzwerke, eine echte Herausforderung darstellen. Gleichzeitig liefern neuro-symbolische Klassifikatoren Vorhersagen, die konsistent mit der Ontologie sind und dabei die Leistung von reinen neuronalen Baselines gleichziehen oder sogar übertreffen.

Die Studie demonstriert, dass die Kompilierung von Description‑Logic‑Ontologien in probabilistische Schaltkreise eine vielversprechende Strategie darstellt, um skalierbares deduktives Reasoning zu ermöglichen und die Zuverlässigkeit von Klassifikatoren signifikant zu erhöhen.