ニューロシンボリックAI

1. 概要

1.1 二つのパラダイム

記号主義	接続主義
論理、ルール	ニューラルネット
明示的知識	暗黙的学習
解釈可能	高性能だが不透明
データ効率良い	大量データ必要

1.2 統合の動機

両方の長所を組み合わせる
解釈可能性と性能の両立
少量データでの推論
構成的な一般化

2. アプローチ

2.1 ニューラル → シンボリック

知覚 → 記号抽出 → 推論

例:
- 画像からオブジェクト検出
- 関係を記号的に表現
- 論理推論で質問応答

2.2 シンボリック → ニューラル

知識埋め込み:
- 知識グラフをベクトル空間に
- 論理規則を微分可能に
- 制約としてニューラル学習に組み込み

2.3 統合型

Neural Theorem Proving
Differentiable Programming
Program Synthesis

3. 主要技術

3.1 知識グラフ埋め込み

エンティティと関係をベクトル化:
(head, relation, tail) → スコア関数

TransE: h + r ≈ t
RotatE: h ∘ r ≈ t（回転）
→ 欠損リンク予測、推論

3.2 Neural Logic Programming

論理プログラムを微分可能に
ルールの重みを学習
例: NeuralLP, DRUM

3.3 Concept Bottleneck Models

入力 → 概念予測 → 最終予測

中間の概念表現が解釈可能
人間が概念を修正して介入可能

4. LLMとの統合

4.1 アプローチ

Tool use: LLMが計算機/検索を呼び出す
Program synthesis: コード生成して実行
Knowledge retrieval: RAGで知識ベース参照

4.2 利点

LLMの弱点（計算、事実）を補完
根拠の追跡可能性
正確性の向上

5. 課題と展望

5.1 課題

記号表現の設計が難しい
スケーラビリティ
end-to-end学習との統合

5.2 期待される応用

科学的発見
数学的推論
安全性検証

6. 参考文献

Garcez et al. (2019). "Neural-Symbolic Computing: An Effective Methodology for Principled Integration of Machine Learning and Reasoning"
Marcus (2020). "The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence"
Koh et al. (2020). "Concept Bottleneck Models" ICML