人工智能发展变化的象征

一个KAUST团队开发了一个数学框架，以弥补高水平的人类可读知识和统计数据之间的差距，并有望改进机器学习。

人类依靠模式、标签和秩序来理解世界。我们对相关事物和思想进行分类，分类和建立联系，创建我们可以用来共享信息的符号。另一方面，人工智能是最有效地使用原始数值数据进行训练的。那么，人工智能算法如何利用我们巨大的符号知识储备呢？这是一个令人烦恼的问题，如果它被破解，可能会为机器学习和人工智能打开一个巨大的多维库。

罗伯特·霍恩多夫、Maxat Kulmanov及其在KAUST的计算机生物科学研究中心和加拿大哈利法克斯大学的合作者在这些看似不兼容的信息形式之间建立了一个数学桥梁。

库尔马诺夫解释说：“人工智能研究在基于人类可以理解的高级符号表示的方法和用于训练人工神经网络的次合成方法之间存在很大差距。符号方法建立在逻辑关系上，而次合成方法则依赖于统计和连续实数向量空间。

研究人员着手开发一个“嵌入”函数，将一个数学结构映射到另一个数学结构，以保留第一个结构的一些特征。

Hoehndorf说：“使用嵌入式是因为第二种结构可能更适合某些操作。“在这项工作中，我们将一种形式语言，称为描述逻辑，映射成一个实数向量空间，可以更容易地用于机器学习，例如计算相似性和执行预测操作。”

描述逻辑在生物学和生物医学中被广泛应用于描述形式化的理论，如基因的功能和医学诊断中使用的术语。

霍恩多夫说：“逻辑，比如描述逻辑，从20世纪60年代开始就是人工智能系统的基础，在数学方面已经研究了100多年。基于这一研究历史，我们创建了一个嵌入函数，它不仅将符号投射到向量空间中，而且生成代数模型，以捕捉描述逻辑中符号的语义。

团队取得成就的关键是将嵌入与模型理论联系起来，这使得利用已有的知识并创建第一个保留语义的嵌入成为可能。

库尔马诺夫说：“我们的方法直接适用于数百种生物和生物医学研究中的形式化理论以及数百个生物数据库。“今后，我们将把我们的方法应用到更多的生物学问题上，我们希望这将改善人工智能的生物医学应用。

免责声明：本文由用户上传，如有侵权请联系删除！