💻 computer science

Moose: Latent concept learning with reasoning-shortcut awareness in $\mathcal{EL}^{++}$

تقدم هذه الورقة Moose، وهي طريقة عصبية-رمزية تقوم بتجميع أنطولوجيات $\mathcal{EL}^{++}$ إلى مخططات قرار جملية قابلة للتفاضل لتمكين أول تعلم مفاهيمي كامن مدرك لاختصارات الاستدلال تحت الإشراف الجزئي، متفوقة بذلك على النماذج المرجعية الحالية في المهام القائمة على الأنطولوجيا.

المؤلفون الأصليون: Olga Mashkova, Asaad Mohammedsaleh, Fernando Zhapa-Camacho, Robert Hoehndorf

نُشر 2026-08-14

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Olga Mashkova, Asaad Mohammedsaleh, Fernando Zhapa-Camacho, Robert Hoehndorf

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

لغز العقل الخفي

تخيل أنك تحاول تعليم روبوت فهم العالم. لديك أداتان قويتان في صندوق أدواتك. الأداة الأولى هي الشبكات العصبية، وهي تشبه مبرمجي الأنماط فائق السرعة. هي بارعة في النظر إلى صورة قطة والقول: "هذه قطة!" لأنها رأت الملايين من القطط من قبل. لكنها تشبه إلى حد ما الخدعة السحرية؛ فهي تخمن بناءً على الأنماط، وأحياناً قد ترتبك أو تبتدع قواعد لا معنى لها. الأداة الثانية هي المنطق الرمزي، وهو يشبه كتاب قواعد صارم. يقول: "إذا كان للقطة شارب وذيل، فهي من الثدييات". هو لا يخمن أبداً؛ بل يتبع القواعد بدقة تامة. لكنه سيء جداً في النظر إلى صورة ضبابية ومعرفة ماهيتها.

لفترة طويلة، حاول العلماء دمج هاتين الأداتين في عقل خارق واحد، وهو مجال يُسمى الذكاء الاصطائي العصبي الرمزي (Neuro-symbolic AI). الهدف هو بناء نظام يمكنه رؤية صورة (مثل الشبكة العصبية) ولكن يمكنه أيضاً فهم القواعد العميقة لكيفية ترابط الأشياء (مثل المنطقي). ومع ذلك، هناك مشكلة شائكة: عندما لا يمتلك الروبوت جميع الحقائق، فإنه أحياناً يجد "طريقاً مختصراً". قد يتعلم تخمين الإجابة الصحيحة بمجرد النظر إلى تفصيل صغير وغير ذي صلة، بدلاً من فهم الصورة الكبيرة فعلياً. وهذا ما يسمى بـ "الاختصار الاستدلالي" (Reasoning Shortcut). إنه يشبه طالباً يحفظ نموذج الإجابات لامتحان محدد، لكنه يفشل في تعلم الرياضيات الفعلية. السؤال الكبير في هذا المجال هو: هل يمكننا بناء نظام يتعلم القواعد الحقيقية، حتى عندما نعطيه أدلة جزئية فقط، دون الوقوع في هذه الاختصارات؟

موس (Moose): المحقق الذي يفحص القواعد

تقدم هذه الورقة طريقة جديدة تسمى Moose (وهي اختصار لشيء تقني، لكن دعونا نفكر فيها فقط كمحقق ذكي). صُمم "موس" لحل لغز محدد: تعليم الروبوت كيفية استنتاج الحقائق المخفية عن الأشياء التي يراها، باستخدام مجموعة صارمة من القواعد المنطقية تسمى مخطط OWL 2 EL (ontology). فكر في "الأنطولوجيا" (الموسوعة) كأنها موسوعة ضخمة مكتوبة مسبقاً. على سبيل المثال، قد تقول موسوعة علم الأحياء: "كل القطط ثدييات" و"لا توجد ثدييات نباتات".

التحدي الذي يواجهه "موس" هو ما يحدث عندما تعرض على الروبوت صورة (مثل رقم من مجموعة بيانات MNIST) وتخبره: "هذا الرقم زوجي"، لكنك لا تخبره ما هو الرقم نفسه. يجب على الروبوت تخمين الرقم (المفهوم المخفي) مع التأكد من أن تخمينه يتوافق مع قواعد الموسوعة.

إليك كيف يعمل "موس"، خطوة بخوة:

مُجمّع كتاب القواعد: أولاً، يأخذ "موس" الموسوعة الضخمة (الأنطولوجيا) ويترجمها إلى نوع خاص من الخرائط يسمى مخطط القرار الجملي (SDD). تخيل أخذ كرة ضخمة متشابكة من الخيوط تمثل كل القواعد، ثم فك تشابكها وتحويلها إلى مخطط انسيابي منظم ومرتب. هذه الخريطة مميزة لأنها يمكن أن تكون "موزونة"، مما يعني أن بإمكان الروبوت تعيين احتمالات لمسارات مختلفة.
فحص المنطق: عندما ينظر الروبوت إلى صورة ويقدم تخميناً (مثلاً: "أعتقد أن هذا هو الرقم 4")، لا يكتفي "موس" بقبول التخمين فحسب. بل يقوم بتمرير التخمين عبر المخطط الانسيابي. إذا كسر التخمين القواعد (مثلاً: يعتقد الروبوت أنه الرقم 4، لكن القواعد تقول إن 4 فردي، وهذا تناقض)، فإن النظام يعرف أن هناك خطأ ما.
إصلاح "الاختصار": هنا يصبح "موس" ذكياً حقاً. أحياناً، يجد الروبوت طريقاً مختصراً. على سبيل المثال، إذا رأى الروبوت صورة للرقم 4 والقاعدة تقول "4 زوجي"، فقد يتعلم دائماً تخمين "زوجي" كلما رأى الرقم 4، دون أن يتعلم فعلياً شكل الرقم 4. يضيف "موس" قواعد "إغلاق" (closure) إضافية إلى المخطط الانسيابي. تعمل هذه القواعد كشبكة أمان، حيث تجبر الروبوت على النظر في جميع الاحتمالات التي تتوافق مع الأدلة، وليس فقط الاحتمال الأسهل. إنه يشبه قولك للطالب: "لا يمكنك تخمين 'زوجي' لمجرد أنك رأيت الرقم 4؛ عليك أن تثبت أنه يتوافق مع كل قاعدة في الكتاب".

ما اكتشفه "موس"

اختبر المؤلفون "موس" في تحديين رئيسيين: نسخة رقمية من مجموعة بيانات الأرقام الشهيرة MNIST (حيث أضافوا قواعد منطقية حول كون الأرقام أولية، أو زوجية، أو فردية) ومجموعة بيانات اصطناعية للبيتزا ذات مكونات مختلفة.

تجنب الاختصارات: في التجارب التي كان على الروبوت فيها اكتشاف علاقات مخفية (مثل ما إذا كان رقم واحد يؤدي إلى آخر)، كان "موس" أفضل بكثير من الطرق الأخرى. بينما وقعت الأنظمة الأخرى غالباً في فخ "الاختصارات الاستدلالية" (تخمين الإجابة بناءً على دليل صغير)، التزم "موس" بالقواعد. على سبيل المثال، في اختبار يتعلق بسلاسل الأدوار (حيث يؤدي A إلى B، وB يؤدي إلى C)، حقق "موس" دقة بلغت 96.1%، بينما حققت الطريقة التالية الأفضل دقة 59.6% فقط.
المقايضة: وجدت الورقة أيضاً أن هناك توازناً بين أن تكون دقيقاً (الحصول على الإجابة الصحيحة) وأن تكون معايراً (معرفة مدى تأكدك). عندما كانت القواعد غامضة (مثل بيتزا يمكن أن تكون من نوعين مختلفين)، كان على "موس" الاختيار بين استراتيجيتين:
- BEARS: هذا الإصدار يستخدم فريقاً من الروبوتات للتصويت. كان أفضل في الحصول على الإجابة الصحيحة (الدقة)، ولكنه كان أحياناً واثقاً أكثر من اللازم عندما يخطئ.
- NePyDM: هذا الإصدار يستخدم نوعاً مختلفاً من الرياضيات لتوزيع تخميناته. كان أفضل في معرفة متى يكون غير متأكد (المعايرة)، ولكنه كان أحياناً يحصل على الإجابة بنسبة أقل قليلاً.
سر "الإغلاق": أثبتت الورقة أنه بدون إضافة قواعد "الإغلاق" تلك (شبكة الأمان)، سيفشل النظام تماماً، حيث يهبط إلى مستوى التخمين العشوائي (حوالي 9.4% دقة في أحد الاختبارات). وقد أظهر هذا أن القواعد الإضافية لم تكن مفيدة فحسب، بل كانت ضرورية ليتعلم الروبوت المفاهيم المخفية بشكل صحيح.

الخلاصة

"موس" هو طريقة جديدة لتعليم الذكاء الاصطناعي كيفية تعلم الحقائق المخفية من خلال اتباع كتاب قواعد صارم. لقد أثبت أنه من خلال ترجمة القواعد المنطقية المعقدة إلى خريطة خاصة وفعالة، يمكن للروبوت تعلم الاستدلال بشكل صحيح حتى عندما لا يرى إلا جزءاً من الصورة. أظهر المؤلفون أنه بدون ضمانات محددة ضد "الاختصارات"، ستجد أنظمة الذكاء الاصطناعي طرقاً مبسطة لحل المشكلات. يعالج "موس" هذا الأمر من خلال إجبار النظام على فحص كل احتمال مقابل القواعد.

بينما تعد هذه الورقة خطوة كبيرة للأمام، يشير المؤلفون بحذر إلى أن هذا يعمل بشكل أفضل على مجموعات بيانات صغيرة ومحددة. لم يختبروه بعد على قواعد البيانات الضخمة والواقعية المستخدمة في المستشات أو الإنترنت بأكمله، لذا فبينما يعد "موس" أداة قوية جديدة، فإنه لا يزال قيد التطوير لمواجهة التحديات الأكبر. ولكن في الوقت الحالي، هو مثال رائع لكيفية أن الجمع بين عيون الروبوت وعقل المنطقي يمكن أن يؤدي إلى ذكاء اصطناعي أكثر ذكاءً وأكثر صدقاً.

ملخص تقني: Moose – تعلم المفاهيم الكامنة مع الوعي باختصارات الاستدلال في EL++

1. بيان المشكلة

تتناول الورقة تحدي تعلم المفاهيم الكامنة الخاضع لإشراف ABox ضمن ملف OWL 2 EL. يعتمد OWL 2 EL على أنطولوجيات إنتاجية كبرى (مثل Gene Ontology وSNOMED CT) نظرًا لقدراته في الاستدلال ذات الوقت متعدد الحدود، ولكنه يفتقر إلى الدعم الأصلي لالتواء الطرف الأيمن (disjunction) وقيود العدد (cardinality).

تتضمن مهمة التعلم المحددة ما يلي:

المدخلات: بيانات إدراكية لكل فرد (مثل الصور) ومجموعة جزئية من حقائق ABox المرصودة فوق توقيع قابل للملاحظة.
الهدف: تعلم مصنفات لكل فرد للقيم الحقيقية لـ ذرات المفاهيم الكامنة (المفاهيم غير المرصودة) التي لا تخضع لإشراف مباشر.
القيود: يجب أن يحترم التعلم استنتاجات أنطولوجيا EL++، بما في ذلك سلاسل الأدوار ( $R_1 \circ R_2 \sqsubseteq S$ ) وهياكل الأدوار.
التحدي: تتقبل أطر العمل العصبية-الرمزية (NeSy) الحالية الصيغ الاقتراحية أو Datalog، وليس أنطولوجيات OWL مباشرة. علاوة على ذلك، تحت الإشراف الجزئي، تعاني متنبئات NeSy القياسية من اختصارات الاستدلال (Reasoning Shortcuts - RS): حيث تتعلم تخصيص ثقة عالية لتكوين عشوائي واحد يلبي الأدلة، بدلاً من توزيع الكتلة الاحتمالية على جميع التكوينات الصالحة، وذلك بسبب افتراض استقلالية الذرة لكل فرد.

2. المنهجية: إطار عمل Moose

إن Moose هو طريقة متكاملة (end-to-end) تقوم بتجميع (compilation) TBox من نوع EL++ ونطاق ABox محدود إلى مخطط قرار جملي (Sentified Decision Diagram - SDD)، والذي يعمل كطبقة عدّ النماذج الموزونة (Weighted Model Counting - WMC) قابلة للتفاضل.

المسار الأساسي

تشبع ELK (المرحلة 1): تقوم الطريقة بتشغيل حساب تشبع ELK على الأنطولوجيا المدخلة لاستخراج جميع الاستلزامات المستنتجة وروابط الأدوار. ينتج عن ذلك إغلاق التشبع $(\Sigma, \Lambda)$ .
ترميز مستوى TBox (المراحل 2–5): يتم تحويل التشبع إلى نظرية اقتراحية باستخدام إكمال Clark، واكتشاف المكونات متصلة القوة (SCC)، وفك الارتباط الموقوت (time-stamped unrolling) للاعتمادات الدورية، وتحويل Tseitin إلى CNF. تتعامل هذه المرحلة مع البنية المنطقية ولكنها تُستخدم بشكل أساسي للتشخيص لمهمة التعلم.
التأسيس الواعي بالشكل (المرحلة 6): تقوم المستخرجات بتصفية إغلاق التشبع للاحتفاظ فقط بذرات ABox الأرضية ذات الصلة بالأفراد المسميين في النطاق المحدود $\Delta$ $Δ$ . هذا يولد برنامج Horn اقتراحي $\Gamma_{EL}$ $Γ_{E L}$ فوق المفردات الأرضية.
- ملاحظة: يتم تصفية الاشتقاقات الوجودية العميقة (الداخلية في ELK) لأنها ليس لها مقابل أرضي في النطاق المسمى المحدود.
تجميع SDD (المرحلة 7): يتم تجميع البنود الأرضية في SDD. هذه الدارة سلسة، قابلة للتفكيك، وحتمية، مما يسمح بـ WMC دقيق وقابل للتفاضل.
تعزيز الإغلاق: لمعالجة محدودية التعبير في EL++ (تحديدًا غياب افتراض العالم المغلق والالتواء في الطرف الأيمن)، يمكن للطريقة اختيارًا إضافة بديهيات الإغلاق ( $\Phi_{clos}$ ) للعائلات الشاملة المعلنة. تتضمن هذه البديهيات التباين الزوجي، وبنود التغطية، والتبعات العكسية الموجهة بالمفاتيح (profile-keyed reverse implications). هذه الخطوة حاسمة لتوفير تدرج تعلم غير بديهي تحت الإشراف الجزئي.

التعلم والاستدلال

التدريب: تقوم شبكة عصبية $f_\theta$ برسم خرائط المدخلات إلى احتمالات لكل ذرة. تعمل هذه الاحتمالات كأوزان للحقائق (literals) في SDD. خسارة التدريب هي سالب لوغاريتم WMC: $L(\theta) = -\log \text{WMC}(\alpha; p_\theta(x), e)$ .
تخفيف اختصارات الاستدلال: تدمج الورقة استراتيجيتين موجودتين لتخفيف RS تم تكييفهما لبيئة OWL EL:
- Moose+BEARS: تدرب مجموعة من المشفرات المتنوعة عبر تباعد KL لمنع الانهيار إلى اختصار واحد.
- Moose+NeSyDM: تستبدل افتراض الاستقلال التجزيئي بنموذج انتشار منفصل مقنع (masked discrete-diffusion model) لالتقاط الاعتمادات المتبادلة بين الذرات.

3. المساهمات الرئيسية

تدعي الورقة أربع مساهمات رئيسية:

تجميع OWL 2 EL متكامل مع أدلة رسمية:
- تجميع ملف EL الكامل (بما في ذلك سلاسل الأدوار والهياكل) في SDD يدعم WMC.
- تقديم أربعة نظريات رسمية تم التحقق منها في Lean 4:
  - النظرية 1: ترميز SDD تم التحقق منه (نماذج SDD تتوافق تمامًا مع العوالم التي تستنتج فيها الأنطولوجيا الاستعلام).
  - النظرية 2: توافق DISPONTE العقلاني (WMC للدارة يساوي الاستلزام الاحتمالي تحت دلالات التوزيع).
  - النظريتان 3 و4: التفككات التركيبية لـ SCC على مستويات Sat وWMC، مما يثبت أن المكونات غير ذات الصلة لا تؤثر على الاشتقاق أو الاحتمالات اللاحقة.
- تم التحقق من جميع البراهين آليًا دون بديهيات خاصة بـ Moose، بالاعتماد فقط على أسس Lean القياسية.
تعلم المفاهيم الكامنة الخاضع لإشراف ABox:
- تحدد أول مهمة رسمية لتعلم مصنفات المفاهيم الكامنة من حقائق Abox المرصودة فوق أنطولوجيا OWL EL.
- تعمم DeepProbLog وSemantic Loss على قيود المنطق الوصفي التي تتضمن سلاسل الأدوار والهياكل.
تحليل اختصارات الاستدلال في OWL EL:
- تنقل التحليل الرسمي لاختصارات الاستدلال (الذي كان مقتصرًا سابقًا على بيئات Propositional/Datalog) إلى بيئة OWL EL.
- تقيم المقايضة بين دقة الـ argmax للعائلة (حيث يتفوق BEARS هنا) وخطأ المعايرة المتوقع (ECE) (حيث يتفوق NeSyDM هنا) تحت الغموض الرمزي.
مجموعة الاختبارات المرجعية:
- تقدم MNIST-with-ontology (OMNIST) التي تغطي أنظمة الإشراف الذري، والعلائقي، وسلاسل الأدوار.
- تقدم Pizzaiolo، وهي مجموعة بيانات اصطناعية تعتمد على أنطولوجيا OWL Pizza، لاختبار الانتقال إلى أنطولوجيا حقيقية من طرف ثالث.

4. النتائج التجريبية

تقيم الورقة Moose مقابل نماذج NeS Propositional المرجعية (DeepProbLog، Semantic Loss)، والمنطق الضبابي (LTN)، وتضمينات الأنطولوجيا (ELEmbeddings).

الأنظمة العلائقية وسلاسل الأدوار (MNIST): يتفوق Moose بشكل كبير على النماذج المرجعية الاقتراحية.
- في تجربة سلسلة الأدوار (Exp 3)، يحقق Moose دقة 96.1% مقارنة بـ 59.6% لـ DeepProbLog.
- دراسة الاستبعاد (Ablation): يؤدي إزالة بديهيات الإغلاق ( $\Phi_{clos}$ ) إلى انهيار الأداء إلى مستويات قريبة من الصدفة (على سبيل المثال، الانخفاض من 96.1% إلى 9.4%)، مما يوضح أن التأسيس المدرك لـ EL يوفر البنية، ولكن بديهيات الإغلاق هي التي توفر القيود التعريفية اللازمة للتعلم.
الغموض الرمزي (Pizzaiolo):
- في الأنظمة ذات الغموض الرمزي العالي (مثل غموض ثلاثي في Track B)، يحسن BEARS الدقة (87.9% مقابل 84.5% لـ Plain Moose) من خلال تنويع التنبؤات.
- يحقق NeSyDM أفضل معايرة (أدنى ECE) ولكن غالبًا على حساب الدقة.
- التعميم الاستقرائي: يحافظ Moose على الدقة في التكوينات العلائقية المحجوبة، بينما ينهار NeSyDM، مما يشير إلى اعتماد Moose على مسار الاستدلال الدقيق بدلاً من هويات الحواف المحفوظة.
المعايرة مقابل الدقة: لوحظ وجود مقايضة: يتصدر BEARS في الدقة تحت الغموض، بينما يتصدر NeSyDM في المعايرة.

5. الأهمية والادعاءات

تضع الورقة Moose كأول طريقة توفر:

استدلالًا دقيقًا وقابلاً للتفاضل لـ OWL EL: من خلال تجميع EL++ مباشرة إلى SDD، فإنه يحتفظ بالدلالات النموذجية الدقيقة للأنطولوجيا مع تمكين التعلم القائم على التدرج، على عكس التقريبات الضبابية أو طرق التضمين التي تخفف من الدلالات.
التحقق الرسمي: تم التحقق من عملية التجميع والبراهين الصحيحة آليًا في Lean 4، مما يوفر درجة عالية من الثقة في إشارة الاستدلال المستخدمة للتدريب.
الوعي بـ RS في الأنطولوجيات: هي الأولى التي تحلل وتخفف اختصارات الاستدلال رسميًا ضمن سياق OWL EL، موضحة أن إخفاقات NeS الاقتراحية القياسية تنتقل مباشرة إلى الأنظمة المدفوعة بالأنطولوجيا.

القيود التي أقر بها المؤلفون:

النطاق (Scale): التجارب محدودة بنطاقات ABox صغيرة ( $|\Delta| \le 2$ ). ينمو حجم SDD تجريبيًا كـ $|\Delta|^{2.9}$ ، ولا تزال الطريقة لا تتوسع بعد إلى أنطولوجيات ضخمة مثل SNOMED CT دون تقنيات WMC مرتفعة (lifted).
النطاق المحدود: تفترض الطريقة مجموعة محدودة من الأفراد المسميين ولا تقوم باستدلال مفتوح النطاق على الأفراد غير المسميين.
تثبيت الدور (Role-Pinning): يعتمد صدق ترميز رابط الدور على افتراض أن ذرات الأدوار فوق التوقيع المرصود مثبتة بواسطة الأدلة، وهو خيار محدد لنظام النطاق المسمى المحدود وليس لتعميم ELK العام.

يخلص المؤلفون إلى أنه بينما تظل المساهمة النظرية (التجميع المتحقق منه وتحليل RS) قائمة بذاتها، فإن قابلية التوسع للأنطولوجيات ذات الحجم الإنتاجي تظل مشكلة مفتوحة تتطلب WMC مرتفع المستوى (lifted WMC).