في عالم الذكاء الاصطناعي، تعتبر الدلالات المعرفية تحديًا مستمرًا، حيث تتواجد أنظمة تقليدية وفuzzy وبروبابيليستية وعصبية تحمل كل منها تعريفًا مختلفًا للحقيقة. هنا يأتي دور NeSyCat Torch كحل موحد يعالج هذا التجزؤ، موسعًا أفق أنظمة ULLER ليضع تعريفًا عالميًا للحقيقة يعتمد على معلمات قوية وهيكل تجميع لقيم الحقيقة.
مع أن NeSyCat كان يفتقر سابقًا إلى تفسير الدالات والميزات التي تتعلمها الشبكات العصبية، إلا أننا نقدم الآن NeSyCat Torch كحلقة الوصل المفقودة. يعمل هذا الإطار على تفسير الرموز الحاسوبية عبر الشبكات العصبية، مستخدمًا برمجة احتمالية وبنية قائمة على التانسور (tensor).
من خلال استخدام monad التوزيعي (distribution monad) للتقييم المرجعي والدلالات العددية، نقوم أيضًا بتعزيزها بmonad تدريبي قابل للاشتقاق، وهو log-tensor lazy، مما يضمن استقرارًا رقميًا أثناء التدريب. لتحقيق أقصى كفاءة في التدريب، نستخدم أيضًا batch monad.
الطرازات والحقائق تشكل المصدر البرمجي: تم كتابة الأكواد مرة واحدة باستخدام ترميز monad-based do-notation، حيث يقوم monadic bind بتقليل فروع غير الضرورية بشكل كسول.
عند اختبار أداء النظام على بيانات MNIST، أثبتت تنفيذاتنا في HaskTorch وJAX وPyTorch أنها تتفوق على LTN وDeepProbLog من حيث السرعة والدقة، محققة دقة شبه مشابهة لـ DeepStochLog، مع البقاء ضمن إطار موحد يمكن تطبيقه على العديد من الطرق المعروفة في NeSy.
إطلاق NeSyCat Torch يعد خطوة مستقبلية مثيرة في عالم الذكاء الاصطناعي، حيث من المتوقع أن يتطور ويلبي احتياجات التمثيل العصبي المستمر في المسائل المعقدة. ما رأيكم في هذا الابتكار الثوري؟ شاركونا آراءكم في التعليقات.