Artificial Intelligence techniques based on the integration of symbolic logic and deep neural networks: A systematic review of the literature
| cic.institucionOrigen | Laboratorio de Investigación y Formación en Informática Avanzada (LIFIA) | es |
| cic.isFulltext | true | es |
| cic.isPeerReviewed | true | es |
| cic.lugarDesarrollo | Laboratorio de Investigación y Formación en Informática Avanzada | es |
| cic.version | info:eu-repo/semantics/publishedVersion | es |
| dc.date.accessioned | 2022-03-22T16:17:10Z | |
| dc.date.available | 2022-03-22T16:17:10Z | |
| dc.identifier.uri | https://digital.cic.gba.gob.ar/handle/11746/11525 | |
| dc.title | Artificial Intelligence techniques based on the integration of symbolic logic and deep neural networks: A systematic review of the literature | en |
| dc.type | Artículo | es |
| dcterms.abstract | Artificial Intelligence is tackled from two predominant but very different approaches: symbolic Artificial Intelligence, which is inspired by mathematical logic and is based on the manipulation of abstract linguistic representations, and non-symbolic Artificial Intelligence, which focuses on the construction of predictive mathematical models from large sample data sets. Significantly, the shortcomings of each of these approaches align with the strengths of the other, suggesting that an integration between them would be beneficial. A successful synthesis of symbolic and non-symbolic artificial intelligence would give us the advantages of both worlds. This work aims to identify and classify solutions and architectures that use applied Artificial Intelligence techniques, based on the integration of symbolic and non-symbolic logic (particularly machine learning with artificial neural networks), to provide a comprehensive, exhaustive and organized vision of the solutions available in the literature, making them the subject of a carefully designed and implemented SLR (Systematic Literature Review). The resulting technologies are discussed and evaluated from both perspectives: symbolic and nonsymbolic Artificial Intelligence. The PICOC method (Population, Intervention, Comparison, Outputs, Context) plus Limits, which determine the scope of the search, has been used to define the research questions and analyze the results. From a total of 65 candidate studies found, 24 articles (37%) relevant to this study were selected. Each study also focuses on different application domains such as intelligent agents, image classification, theorem provers, cyber-security, image interpretation, mathematics, medicine, robotics and general application. Through the analysis of the selected works, it was possible to classify, organize and explain the different ways in which the deficiencies of non-symbolic Artificial Intelligence are addressed by proposals based on symbolic logic. The study also determined in which stages of the development process said proposals are applied. In addition, the study made it possible to determine which are the logic tools that are preferably applied, for each area and each domain. Although no clear architectural pattern has been found, efforts to find a general-purpose model that combines both worlds are driving trends and research efforts. | en |
| dcterms.abstract | La Inteligencia Artificial se aborda desde dos enfoques predominantes pero muy diferentes entre sí: la Inteligencia Artificial simbólica, que está inspirada en la lógica matemática y se basa en la manipulación de representaciones lingüísticas abstractas, y la Inteligencia Artificial no simbólica, que se centra en la construcción de modelos matemáticos predictivos a partir de grandes conjuntos de datos de muestra. Significativamente, las deficiencias de cada uno de estos enfoques se alinean con las fortalezas del otro, lo que sugiere que una integración entre ellos sería beneficiosa. Una síntesis satisfactoria de inteligencia artificial simbólica y no-simbólica nos daría las ventajas de ambos mundos. Este trabajo tiene como objetivo identificar y clasificar soluciones y arquitecturas que utilizan técnicas de Inteligencia Artificial aplicada, basadas en la integración de lógica simbólica y no-simbólica (en particular aprendizaje automático con redes neuronales artificiales), para proporcionar una visión integral, exhaustiva y organizada de las soluciones disponibles en la literatura, haciéndolas objeto de una SLR: Systematic Literatura Review (Revisión Sistemática de la Literatura) cuidadosamente diseñada e implementada sobre el tema. Las tecnologías resultantes se discuten y evalúan desde ambas perspectivas: la Inteligencia Artificial simbólica y la no simbólica. Se ha utilizado el método PICOC (Población, Intervención, Comparación, Salidas, Contexto) más Límites, que determinan el alcance de la búsqueda, para definir las preguntas de investigación y analizar los resultados. De un total de 65 estudios candidatos encontrados, se seleccionaron 24 artículos (37%) relevantes para este estudio. Cada estudio, además, se centra en diferentes dominios de aplicación tales como agentes inteligentes, clasificación de imágenes, comprobadores de teoremas, cyber-seguridad, interpretación de imágenes, matemática, medicina, robótica y de aplicación general. A través del análisis de los trabajos seleccionados, se logró clasificar, organizar y explicar las diferentes formas en que las deficiencias de la Inteligencia Artificial no simbólica son abordadas por propuesta basadas en lógica simbólica. El estudio también determinó en qué etapas del proceso de desarrollo dichas propuestas son aplicadas. Complementariamente, el estudio permitió determinar cuáles son las herramientas de la lógica que se aplican preferentemente, para cada área y cada dominio. Si bien no se ha encontrado un patrón arquitectónico claro, los esfuerzos por encontrar un modelo de propósito general que combine ambos mundos dirigen las tendencias y esfuerzos de investigación. | es |
| dcterms.creator.author | Negro, Pablo | es |
| dcterms.creator.author | Pons, Claudia Fabiana | es |
| dcterms.identifier.other | doi:10.4114/intartif.vol25iss69pp13-41 | es |
| dcterms.identifier.other | ISSN:1988-3064 | es |
| dcterms.identifier.other | ISSN:1137-3601 | es |
| dcterms.isPartOf.issue | vol. 25, no. 69 | es |
| dcterms.isPartOf.series | Inteligencia Artificial | es |
| dcterms.issued | 2022-06 | |
| dcterms.language | Inglés | es |
| dcterms.license | Attribution-NonCommercial 4.0 International (BY-NC 4.0) | es |
| dcterms.subject | Deep Learning | en |
| dcterms.subject | Artificial Intelligence | en |
| dcterms.subject | Logic | en |
| dcterms.subject | Hybrid Model | en |
| dcterms.subject | Inteligencia Artificial | es |
| dcterms.subject | Aprendizaje Automático | es |
| dcterms.subject | Lógica | es |
| dcterms.subject | Modelo híbrido | es |
| dcterms.subject.materia | Ciencias de la Computación e Información | es |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- Artificial Intelligence techniques.pdf-PDFA.pdf
- Tamaño:
- 851.02 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Documento completo