Get started
Work

Hypergraphes de connaissances neuro-symboliques : représentation des connaissances et apprentissage en intelligence artificielle neuro-symbolique

Year: 2025
Type: dissertation
Abstract: L'intégration du raisonnement symbolique et de l'apprentissage neuronal en Intelligence Artificielle (IA) est devenue de plus en plus cruciale à mesure que la demande de modèles capables de gérer des données complexes, dynamiques et interconnectées croît. Alors que les approches traditionnelles ont fait des progrès dans ces domaines séparément, un cadre unifié combinant ces paradigmes est essentiel pour faire progresser la capacité de l'IA à interpréter, apprendre et prédire dans des environnements réels.Malgré les avancées des modèles symboliques et neuronaux, la littérature existante révèle un manque de cadres qui intègrent efficacement les deux, en particulier dans le contexte de la représentation et de l'apprentissage des connaissances spatio-temporelles. Les graphes de connaissances traditionnels (KGs), bien qu'utiles, peinent à capturer les relations d'ordre supérieur et les changements dynamiques et temporels. Cette limitation nécessite une nouvelle approche capable d'intégrer une logique d'ordre supérieur et une structure flexible pour modéliser les complexités du monde réel.L'objectif de cette étude est de développer et de valider un cadre d'Hypergraphe de Connaissances Neuro-Symboliques qui étend les graphes de connaissances traditionnels en Graphes de Connaissances d'Ordre Supérieur (HOKGs), capables de représenter des relations n-aires et temporelles. Le cadre intègre la Logique Temporelle du Second Ordre Monadique (MSOTL) pour le raisonnement temporel et les Réseaux Neuronaux d'Hypergraphes (HGNNs) pour l'apprentissage et la modélisation prédictive, reliant ainsi les paradigmes symboliques et neuronaux.La méthodologie consiste à formuler une structure d'hypergraphe robuste qui encode des relations spatio-temporelles et sémantiques en utilisant la MSOTL. Celle-ci est ensuite couplée aux réseaux neuronaux d'hypergraphes, intégrant des mécanismes de convolution et d'attention pour un apprentissage et une inférence efficaces. Le cadre est testé sur des scénarios réels, en particulier dans l'agriculture urbaine, pour démontrer ses capacités prédictives et sa robustesse.Les résultats clés montrent que le cadre proposé améliore significativement la capacité d'expression et d'inférence par rapport aux KGs traditionnels. La composante MSOTL permet une modélisation précise des relations temporelles et spatiales, tandis que les HGNNs valident l'exactitude prédictive. L'étude de cas sur l'agriculture urbaine met en évidence l'utilité du cadre, démontrant comment il peut fournir des informations significatives et des prédictions précises sur les pratiques agricoles dynamiques.Cette recherche a de vastes implications pour les applications de l'IA nécessitant une représentation des connaissances complexes et dynamiques, telles que les villes intelligentes, la surveillance environnementale, et au-delà. L'approche proposée, basée sur l'hypergraphe, ouvre la voie à l'intégration de logiques d'ordre supérieur, de connaissances basées sur l'ontologie et de l'apprentissage profond, offrant une solution globale aux limites observées dans les graphes de connaissances actuels et les modèles d'IA.
Language: English
Open Access status: green
OpenAlex ID: W7019670042
Cites:
Cited by:
Related to: