Neuraal Probabilistisch Logisch Programmeren

Een van de belangrijkste open vragen in de artificiële intelligentie betreft de combinatie van perceptie en redeneren, het subsymbolische met het symbolische. Technieken van deep learning worden gebruikt voor perceptie, terwijl logica en waarschijnlijkheidstheorie gebruikt worden om te redeneren. Het doel van dit project is om de symbolische en subsymbolische lagen in de artificiële intelligentie te combineren door deep learning te integreren met logica en waarschijnlijkheidstheorie. Het project bouwt verder op DeepProbLog, een initieel kader dat de probabilistisch logische programmeertaal ProbLog integreert met neurale netwerken. Dit kader zal gebruikt worden om verschillende uitdagingen rond neuro-symbolische modellen te bestuderen. Het gaat o.a. om het schalen van inferentie en leren d.m.v. benaderende inferentie, optimisatie en verliesfuncties voor neuro-symbolische computatie, het induceren van programma’s en structuren, en relationeel reinforcement learning. De ontwikkelde technieken zullen toegepast worden op datasets rond natuurlijke taal, kennisgrafen, programma synthese en games.