Resumen: La inteligencia artificial neuroimbólica tiene como objetivo combinar arquitecturas neuronales con enfoques simbólicos que puedan representar el conocimiento en un formalismo interpretable por humanos. Las preocupaciones de aprendizaje continuo con los agentes que amplían su conocimiento con el tiempo, mejorando sus habilidades mientras evitan olvidar los conceptos previamente aprendidos. La mayoría de los enfoques existentes para la inteligencia artificial neuroimbólica se aplican solo a escenarios estáticos, y el entorno desafiante donde el razonamiento a lo largo de la dimensión temporal rara vez se ha explorado. En este trabajo presentamos LTLZINC, un marco de evaluación comparativa que puede usarse para generar conjuntos de datos que cubren una variedad de problemas diferentes, contra los cuales los métodos de aprendizaje neuroimbólico y continuo pueden evaluarse a lo largo de las dimensiones temporales y basadas en restricciones. Nuestro marco genera razonamiento temporal expresivo y tareas de aprendizaje continuo a partir de una especificación lógica temporal lineal sobre restricciones minizinc y conjuntos de datos de clasificación de imágenes arbitrarias. Las anotaciones de grano fino permiten múltiples entornos de entrenamiento neuronal y neurombólico en los mismos conjuntos de datos generados. Los experimentos en seis clasificaciones de secuencia neuroimbólica y cuatro tareas de aprendizaje de clase continual generadas por LTLZINC, demuestran la naturaleza desafiante del aprendizaje temporal y el razonamiento, y resaltan las limitaciones de los métodos de vanguardia actuales. Lanzamos el generador LTLZinc y diez tareas listas para usar a las comunidades de aprendizaje neuroimbólico y continuo, con la esperanza de fomentar la investigación hacia los marcos unificados de aprendizaje temporal y razonamiento.
Publicado Originalme en export.arxiv.org El 23 de julio de 2025.
Ver Fuente Original
