Série d'articles
Logic Tensor Networks
Code sur GitHubUne série pas à pas sur les Logic Tensor Networks, un framework neuro-symbolique où la logique du premier ordre devient une fonction de perte différentiable : de l'ancrage des symboles dans des tenseurs à l'apprentissage par satisfaction d'une base de connaissances.
Chapitres 5/5
- 01
Le grounding : des symboles aux tenseurs
Comment Logic Tensor Networks transforme les constantes, prédicats, fonctions et variables de la logique du premier ordre en tenseurs et en fonctions différentiables.
17 min de lecture
- 02
Connecteurs et quantificateurs
Comment LTN remplace les tables de vérité par des opérateurs flous différentiables, et les quantificateurs ∀ et ∃ par des moyennes généralisées, avec la quantification diagonale et les quantificateurs gardés.
20 min de lecture
- 03
Les opérateurs et leurs gradients
Pourquoi tous les opérateurs flous ne se valent pas pour l'apprentissage : gradient qui s'annule, gradient à passage unique, gradient qui explose, et la configuration produit stable qui les évite.
10 min de lecture
- 04
Apprendre en satisfaisant une base de connaissances
Comment LTN transforme une base de connaissances en fonction de perte : un classifieur apprend à étiqueter 19 points à partir de deux exemples seulement et d'une règle de proximité, puis sur 10 000 points par mini-batchs.
21 min de lecture
- 05
Étude de cas : additionner des chiffres sans jamais les étiqueter
Un LTN apprend à reconnaître des chiffres manuscrits MNIST à partir de la seule somme de deux chiffres, et reste à 95 % de précision sur l'addition de nombres à deux chiffres, là où un réseau purement supervisé tombe à 45 %.
43 min de lecture