Tesis:
Methods for Knowledge-Based Systems and Deep Learning Integration
- Autor: AMADOR DOMÍNGUEZ, Elvira
- Título: Methods for Knowledge-Based Systems and Deep Learning Integration
- Fecha: 2022
- Materia: Sin materia definida
- Escuela: E.T.S DE INGENIEROS INFORMÁTICOS
- Departamentos: INTELIGENCIA ARTIFICIAL
- Acceso electrónico: https://oa.upm.es/71590/
- Director/a 1º: SERRANO FERNÁNDEZ, Emilio
- Director/a 2º: MANRIQUE GAMO, Daniel
- Resumen: Neurosymbolic artifcial intelligence comprises a set of approaches for the integration of artifcial intelligence models (symbolic and subsymbolic), such that the benefts of both models are combined under a unifed approach. For this purpose, multiple neurosymbolic design techniques have been proposed throughout the years. However, these approaches do not address contextual and practical aspects, and do not provide clear guidelines on how or when neurosymbolic integration is required. This thesis aims to provide a general design method for neurosymbolic systems, focusing on the integration of knowledge-based systems (symbolic) and deep learning models (subsymbolic). The proposed design method extends the previously considered aspects of neurosymbolic integration (limitations and benefts) by including practical and contextual aspects (restrictions and considerations). For each potential interaction between knowledge-based systems and deep learning, a specifc integration design method is formulated outlining its individual parameters. Instantiations on the different integration design methods are provided to assess the viability and applicability of the proposal. The contributions presented in this thesis can be summarized as follows. First, a general design method for the integration of knowledge-based systems and deep learning models is proposed. From this general design method, a specifc method for each potential interaction between knowledge-based systems and deep learning models is formulated. Each integration design method is instantiated on different application scenarios, generating the following research resources: a semanticbased initialization method for knowledge graph embedding models, a case-based reasoning model powered by deep learning for the generation of medical reports, a multi-agent system for the extraction of behavioral user patterns from opaque personalization systems, and an explainability framework for knowledge graph embedding predictions. The versatility and applicability of the proposed general design method is validated through its instantiation across several application scenarios, providing feasible solutions for several open research challenges, thus contributing to advancing the state-of-the-art in those areas. ----------RESUMEN---------- La inteligencia artifcial neurosimbólica comprende una serie de técnicas destinadas a la integración de paradigmas de inteligencia artificial (simbólicos y subsimbólicos) bajo un marco común integrando los beneficios de ambos. Múltiples técnicas de diseño para modelos neurosimbólicos han sido propuestas a lo largo del tiempo con el fin de lograr este objetivo. Sin embargo, estas propuestas no consideran aspectos prácticos y contextúales, fallando en proponer indicaciones acerca de cómo o cuándo un sistema neurosimbólico es necesario. Esta tesis presenta un método general de diseño para sistemas neurosimbólicos, enfocándose en la integración de sistemas basados en el conocimiento (de carácter simbólico) y modelos de aprendizaje profundo (de carácter subsimbólico). El método de diseño propuesto comprende los aspectos previamente explorados de la integración neurosimbólica (limitaciones y beneficios), incorporando además aspectos prácticos y contextúales (restricciones y consideraciones). Por cada posible integración entre sistemas basados en el conocimiento y modelos de aprendizaje profundo, un método de diseño específico es formulado indicando sus parámetros propios. Instanciaciones de cada uno de los métodos de diseño por integración son presentados para evaluar la viabilidad y la aplicabilidad de la propuesta. Las contribuciones de esta tesis pueden resumirse de la siguiente forma. Primero, un método general de diseño para la integración de sistemas basados en el conocimiento y modelos de aprendizaje profundo es propuesto. A partir de este método general de diseño, se formula un método específico para cada posible interacción entre sistemas basados en el conocimiento y modelos de aprendizaje profundo. El método de diseño de cada integración es instanciado en diferentes casos de uso, generando los siguientes recursos: un método de inicialización basado en semática para modelos de razonamiento sobre grafos de conocimiento, un sistema de razonamiento basado en casos que integra modelos de aprendizaje profundo para la generación de informes médicos, un sistema multiagente para la extracción de patrones de comportamiento de sistemas opacos de personalización, y una herramienta para la explicabilidad de predicciones generadas por modelos de razonamiento sobre grafos de conocimiento. La versatilidad y la aplicabilidad del método de diseño propuesto es validado mediante su instanciación en los diferentes casos de uso, donde se presentan soluciones válidas a problemas pertenecientes a distintas áreas, contribuyendo consecuentemente a mejorar el estado de la técnica en dichas áreas.