NeSyCat: A Monad-Based Categorical Semantics of the Neurosymbolic ULLER Framework

Resumen Técnico: NeSyCat

1. El Problema: Falta de Modularidad y Rigor en la IA Neurosimbólica

El marco de trabajo ULLER (Unified Language for LEarning and Reasoning) fue diseñado para unificar la sintaxis de la lógica de primer orden (FOL) con componentes neuronales. Sin embargo, los autores identifican varias deficiencias críticas en su especificación original:

• Duplicación Semántica: Las diferentes semánticas (clásica, difusa y probabilística) se definen de forma independiente, lo que obliga a duplicar reglas inductivas de verdad en lugar de tratarlas como instancias de un mismo concepto.
• Inconsistencia en la Probabilidad: El tratamiento de distribuciones continuas es impreciso, confundiendo medidas de probabilidad con funciones de densidad y careciendo de un marco de espacios medibles.
• Falta de Separación entre Semántica y Computación: Conceptos como el muestreo (sampling) o la búsqueda del máximo (arg max) se mezclan con la definición de la verdad, lo que impide una distinción clara entre el "significado" de una fórmula y su "evaluación" computacional.
• Limitaciones en Dominios Infinitos: Las definiciones actuales tienen dificultades para manejar cuantificadores sobre dominios continuos o infinitos de manera matemáticamente sólida.

2. Metodología: El Enfoque de NeSyCat

Para resolver estos problemas, los autores proponen NeSyCat (Neurosymbolic Category-theory framework), un marco basado en la Teoría de Categorías y el uso de Mónadas.

• Mónadas como Efectos Computacionales: Utilizan la noción de mónada de Moggi para modelar los "efectos" de los modelos neuronales (como la no-determinación o la incertidumbre probabilística). Esto permite que las fórmulas de la forma $[x := m(T_1, \dots, T_n)]F$ se traten como computaciones que devuelven valores dentro de un espacio monádico.
• Álgebras de Verdad (2Mon-BLat): Introducen una estructura algebraica llamada Double Monoid Bounded Lattice (2Mon-BLat). Esta estructura permite modelar el espacio de valores de verdad (ya sea $\{0, 1\}$, el intervalo $[0, 1]$ o conjuntos de posibilidades) de forma unificada, permitiendo que los conectores lógicos ($\wedge, \vee, \neg, \to$) sean operaciones algebraicas parametrizables.
• Semántica Tarskiana Unificada: Definen una función de interpretación inductiva que es independiente del sistema neurosimbólico específico. La semántica de una fórmula depende de dos componentes: la Mónada (que define la naturaleza de la computación) y el 2Mon-BLat (que define la lógica subyacente).
• Generalización Categórica: Para manejar la probabilidad continua y dominios infinitos, el marco se extiende de la teoría de conjuntos a la teoría de categorías, utilizando la Mónada de Giry sobre la categoría de espacios medibles (Meas).

3. Contribuciones Clave

1. Unificación Semántica: Demuestran que la lógica clásica, la lógica difusa y la lógica probabilística son simplemente instancias de un mismo marco categórico.
2. Extensión de LTN: Proponen una generalización de las Logic Tensor Networks (LTN) para dominios infinitos mediante el uso de cuantificadores basados en integrales (medias de potencia o p-means), resolviendo una limitación conocida de las LTN originales.
3. Transformaciones NeSys: Introducen el concepto de "transformación NeSy", que permite traducir formalmente entre diferentes sistemas (por ejemplo, transformar una semántica probabilística en una no-determinista mediante una transformación argmax).
4. Implementación Modular: Proporcionan implementaciones iniciales en Python (PyTorch) y Haskell (HaskTorch), permitiendo a los usuarios definir sus propios marcos neurosimbólicos simplemente especificando una mónada y un álgebra.

4. Resultados y Aplicaciones

• Modelado de DeepSeaProbLog: El marco es capaz de reproducir con exactitud la semántica de sistemas complejos como DeepSeaProbLog, demostrando que su enfoque de "esperanza matemática" mediante la extensión de Kleisli es equivalente a los métodos de mundos posibles.
• Robustez en Lógica Temporal (STL): El marco permite aproximar la semántica de la Lógica Temporal de Señales (STL), integrando métricas de robustez dentro de la estructura algebraica.
• Capacidad de Integración: Se demuestra que el uso de la notación do-notation (similar a la de Haskell) permite expresar de forma natural procesos de conteo de modelos pesados (WMC) y de integración de modelos pesados (WMI).

5. Significado e Impacto

El trabajo de NeSyCat es significativo porque proporciona la base teórica rigurosa que la IA neurosimbólica necesitaba para pasar de un conjunto de métodos heterogéneos a una disciplina unificada. Al separar la sintaxis, la semántica y la computación, NeSyCat permite:

• Modularidad: Añadir nuevas lógicas o nuevos tipos de modelos neuronales sin reescribir todo el sistema.
• Interoperabilidad: Facilitar la traducción de conocimiento entre diferentes sistemas de IA.
• Escalabilidad Matemática: Ofrecer un camino formal para trabajar con la incertidumbre continua y el razonamiento de alto nivel, acercando la IA simbólica a los estándares de la probabilidad moderna y la teoría de la medida.