Metrizable symbolic data structure for ill-defined problem solving - Université de Bordeaux
Pré-Publication, Document De Travail Année : 2024

Metrizable symbolic data structure for ill-defined problem solving

Structure de données symbolique métrisable pour la résolution de problèmes mal définis

Axel Palaude
Chloé Mercier

Résumé

Within the context of cognitive computational neuroscience modeling, with both symbolic and numerical approaches, i.e., neurosymbolic artificial intelligence, we propose here an unusual way to relate explicit and readable data structure, with biologically plausible numeric operations: Very simply, we consider a parameterized edit distance between two hierarchical symbolic data instances, thus embed data in a metric space, in such a way that we can define the notion of geodesic between two data. We also define in this symbolic space the notion of data region (i.e., data type or concept) and the concept of projection onto such a region, so that very generic machine learning algorithms can now be applied simultaneously at both the symbolic and numerical level. This theoretical work could be interesting to other researchers in both computational neuroscience, model simulation, and artificial intelligence, to design explainable explicit ill-defined problem-solving mechanisms, because it provides a rather straightforward data representation on which generic numerical algorithms of planning or learning could be directly applied, generating explicit symbolic plans and outcomes, providing that the data structure distances have been properly parameterized for a given application domain. The proposed specification is not only developed formally but implemented in detail at the programming level, showing the feasibility and allowing the evaluation and use of the proposed approach.
Dans le contexte de la modélisation des neurosciences computationnelles cognitives, avec des approches à la fois symboliques et numériques, c'est-à-dire l'intelligence artificielle neurosymbolique, nous proposons ici une manière inhabituelle de relier une structure de données explicite et lisible à des opérations numériques biologiquement plausibles : Très simplement, nous considérons une édition paramétrée distance entre deux instances de données symboliques hiérarchiques, insérant ainsi les données dans un espace métrique, de telle manière que l'on puisse définir la notion de géodésique entre deux données. Nous définissons également dans cet espace symbolique la notion de région de données (c'est-à-dire le type de données ou le concept) et le concept de projection sur une telle région, de sorte que des algorithmes d'apprentissage automatique très génériques peuvent désormais être appliqués simultanément au niveau symbolique et numérique. Ce travail théorique pourrait intéresser d'autres chercheurs en neurosciences computationnelles, en simulation de modèles et en intelligence artificielle, pour concevoir des mécanismes explicables de résolution de problèmes explicites et mal définis, car il fournit une représentation de données assez simple sur laquelle des algorithmes numériques génériques de planification ou d'apprentissage pourraient être directement appliqués, générant des plans et des résultats symboliques explicites, à condition que les distances de structure de données aient été correctement paramétrées pour un domaine d'application donné. La spécification proposée n'est pas seulement développée formellement mais implémentée en détail au niveau de la programmation, montrant la faisabilité et permettant l'évaluation et l'utilisation de l'approche proposée.
Fichier principal
Vignette du fichier
nai-paper-784.pdf (1.1 Mo) Télécharger le fichier
Origine Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-04852961 , version 1 (31-12-2024)

Licence

Identifiants

  • HAL Id : hal-04852961 , version 1

Citer

Axel Palaude, Chloé Mercier, Thierry Viéville. Metrizable symbolic data structure for ill-defined problem solving. 2024. ⟨hal-04852961⟩
0 Consultations
0 Téléchargements

Partager

More