Caricamento in corso...
Neuro-symbolic artificial intelligence
01GLKIU
A.A. 2026/27
Course Language
Inglese
Degree programme(s)
Doctorate Research in Ingegneria Informatica E Dei Sistemi - Torino
Course structure
| Teaching | Hours |
|---|---|
| Lezioni | 14 |
| Esercitazioni in laboratorio | 6 |
Lecturers
| Teacher | Status | SSD | h.Les | h.Ex | h.Lab | h.Tut | h.Sem | Years teaching |
|---|---|---|---|---|---|---|---|---|
| Morra Lia | Professore Associato | IINF-05/A | 10 | 0 | 0 | 0 | 0 | 4 |
Co-lectures
Context
| SSD | CFU | Activities | Area context | *** N/A *** | 4 |
|---|
L’intelligenza artificiale neuro-simbolica è un campo di ricerca emergente che riunisce due paradigmi storicamente distinti: apprendimento automatico e reti neurali artificiali (approccio connessionista) e rappresentazione e ragionamento della conoscenza (approccio simbolico). La cosiddetta “terza ondata” di intelligenza artificiale mira a integrare questi due paradigmi al fine di ottenere sistemi più robusti, flessibili e interpretabili dall’uomo.
Il corso fornirà innanzitutto un'introduzione ai metodi e ai paradigmi neuro-simbolici emersi negli ultimi anni e ai diversi modi in cui la rappresentazione della conoscenza e il ragionamento possono essere integrati con i sistemi di apprendimento automatico basati sui dati. In secondo luogo, fornirà conoscenze teoriche e pratiche del logic tensor network, una struttura neuro-simbolica che utilizza un linguaggio logico del primo ordine differenziabile per integrare esempi etichettati e assiomi logici. Verrà mostrato come le logic tensor network possono essere utilizzate per risolvere compiti quali classificazione, clustering ed interpretazione di immagini utilizzando la soddisfazione di regole simboliche come obiettivo di apprendimento. Infine, verrà presentata una panoramica dei metodi neuro-simbolici per applicazioni visive e linguistiche.
Neuro-symbolic artificial intelligence is an emerging field of research that brings together two historically distinct paradigms: machine learning and artificial neural networks (connectionist approach) and knowledge representation and reasoning(symbolic approach). The so-called “third wave” of AI aims at integrating these two paradigms in order to achieve more robust, flexible and human-interpretable systems.
The course will first provide an introduction to the neuro-symbolic methods and paradigms that have emerged in the past years, and different ways that knowledge representation and reasoning can be integrated with data-driven machine learning systems. Secondly, it will provide theoretical and practical knowledge of logic tensor networks, a neuro-symbolic framework that uses a differentiable first-order logic language to integrate data-driven examples and logical axioms. It will be shown how logic tensor networks can be used to solve tasks such as classification, clustering and image interpretation tasks using the satisfaction of symbolic rules as an objective. Finally, an overview of neuro-symbolic methods for vision and language applications will be presented.
Conoscenza delle tecniche di machine learning e deep learning; qualche esperienza con la programmazione Python e i framework di deep learning
Knowledge about machine and deep learning; some experience with Python programming and deep learning frameworks
- Punti di forza e di debolezza degli approcci connessionisti e simbolici all'IA
- Introduzione a metodi e framework neuro-simbolici, pattern compositivi
- Introduzione alla logica reale e alle logic tensor network
- Grounding simbolico nelle logic tensor network
- L'apprendimento come problema di massimizzazione della soddisfacibilità
- Esempi pratici (classificazione MNIST, clustering, rilevamento oggetti)
- Metodi neuro-simbolici nell'interpretazione semantica dell'immagine: generazione di scene graph, visual query answering
- Integrazione di conoscenza a priori in modelli di deep learning
- Metodi neuro-simbolici ed interpretabilità
- Strengths and weakness of connectionist and symbolic AI approaches
- Introduction to neuro-symbolic methods and frameworks, composition patterns
- Introduction to real logic and logic tensor networks
- Symbol grounding in logic tensor networks
- Learning as a best satisfiability problem
- Practical examples (MNIST classification, clustering, object detection)
- Neuro-symbolic methods in semantic image interpretation: scene graph generation, visual query answering
- Integration of prior knowledge in deep learning models
- Neuro-symbolic methods for explainable AI
In presenza
On site
Presentazione report scritto - Sviluppo di project work in team
Written report presentation - Team project work development
P.D.2-2 - Maggio
P.D.2-2 - May