💻 computer science

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

Cet article introduit Moose, une méthode neuro-symbolique qui compile les ontologies $\mathcal{EL}^{++}$ en diagrammes de décision sententiels différentiables afin de permettre le premier apprentissage de concepts latents conscient des raccourcis de raisonnement sous supervision partielle, surpassant les bases de référence existantes sur les tâches basées sur les ontologies.

Auteurs originaux : Olga Mashkova, Asaad Mohammedsaleh, Fernando Zhapa-Camacho, Robert Hoehndorf

Publié 2026-08-14

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Olga Mashkova, Asaad Mohammedsaleh, Fernando Zhapa-Camacho, Robert Hoehndorf

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

L'Énigme de l'Esprit Caché

Imaginez que vous essayiez d'apprendre à un robot à comprendre le monde. Vous avez deux outils puissants dans votre boîte à outils. Le premier est les Réseaux de Neurones, qui sont comme des détecteurs de motifs super rapides. Ils sont excellents pour regarder une photo de chat et dire : « C'est un chat ! » parce qu'ils ont vu des millions de chats auparavant. Mais ils sont un peu comme un tour de magie ; ils devinent en se basant sur des motifs, et parfois ils s'embrouillent ou inventent des règles qui n'ont pas de sens. Le second outil est la Logique Symbolique, qui est comme un livre de règles strict. Elle dit : « Si un chat a des moustaches et une queue, c'est un mammifère. » Elle ne devine jamais ; elle suit les règles parfaitement. Mais elle est très mauvaise pour regarder une photo floue et identifier ce que c'est.

Pendant longtemps, des scientifiques ont tenté de combiner ces deux outils en un super-cerveau, un domaine appelé IA Neuro-symbolique. L'objectif est d'avoir un système capable de voir une image (comme un réseau de neurones) mais aussi de comprendre les règles profondes de la manière dont les choses s'articulent (comme un logicien). Cependant, il existe un problème délicat : lorsque le robot ne possède pas tous les faits, il trouve parfois un « raccourci ». Il peut apprendre à deviner la réponse correctement en regardant simplement un détail minuscule et non pertinent, plutôt que de réellement comprendre l'ensemble de la situation. C'est ce qu'on appelle un Raccourci de Raisonnement. C'est comme un élève qui mémorise le corrigé d'un examen spécifique mais qui échoue à apprendre les mathématiques réelles. La grande question dans ce domaine est : pouvons-nous construire un système qui apprend les vraies règles, même quand nous ne lui donnons que des indices partiels, sans tomber dans ces raccourcis ?

Moose : Le Détective qui Vérifie les Règles

Cet article présente une nouvelle méthode appelée Moose (qui signifie quelque chose de technique, mais considérons simplement cela comme un détective ingénieux). Moose est conçu pour résoudre un puzzle spécifique : enseigner à un robot comment découvrir des faits cachés sur les choses qu'il voit, en utilisant un ensemble strict de règles logiques appelé une ontologie OWL 2 EL. Considérez une ontologie comme une encyclopédie de règles pré-écrite massive. Par exemple, dans une encyclopédie de biologie, il pourrait être dit : « Tous les chats sont des mammifères » et « Aucun mammifère n'est une plante ».

Le défi que Moose relève est de savoir ce qui se passe lorsqu'on montre au robot une image (comme un chiffre du jeu de données MNIST) et qu'on lui dit : « Ce nombre est pair », mais que vous ne lui dites pas quel est ce nombre réellement. Le robot doit deviner le nombre (le concept caché) tout en s'assurant que sa supposition respecte les règles de l'encyclopédie.

Voici comment fonctionne Moose, étape par étape :

Le Compilateur de Livre de Règles : D'abord, Moose prend l'encyclopédie massive (l'ontologie) et la traduit en un type spécial de carte appelé Diagramme de Décision Sententiel (SDD). Imaginez prendre une énorme pelote de laine géante représentant toutes les règles et la démêler en un organigramme bien organisé. Cette carte est spéciale car elle peut être « pondérée », ce qui signifie que le robot peut attribter des probabilités à différents chemins.
La Vérification Logique : Lorsqu'un robot regarde une image et fait une supposition (par exemple, « Je pense que c'est un 4 »), Moose ne se contente pas de l'accepter. Il fait passer la supposition à travers l'organigramme. Si la supposition enfreint les règles (par exemple, le robot pense que c'est un 4, mais les règles disent que 4 est impair, ce qui est une contradiction), le système sait que quelque chose ne va pas.
La Correction du « Raccourci » : C'est là que Moose devient vraiment intelligent. Parfois, le robot trouve un raccourci. Par exemple, si le robot voit un 4 et que la règle dit « 4 est pair », il pourrait simplement apprendre à toujours deviner « pair » dès qu'il voit un 4, sans réellement apprendre à quoi ressemble un 4. Moose ajoute des règles de « clôture » supplémentaires à l'organigramme. Ces règles agissent comme un filet de sécurité, forçant le robot à considérer toutes les possibilités qui correspondent aux indices, et pas seulement la plus facile. C'est comme dire à l'élève : « Tu ne peux pas juste deviner "pair" parce que tu as vu un 4 ; tu dois prouver que cela correspond à chaque règle du livre. »

Ce que Moose a découvert

Les auteurs ont testé Moose sur deux défis principaux : une version numérique du célèbre jeu de données de chiffres MNIST (où ils ont ajouté des règles logiques sur les nombres premiers, pairs ou impairs) et un ensemble de données synthétiques de pizzas avec différentes garnitures.

Éviter les raccourcis : Dans les expériences où le robot devait découvrir des relations cachées (comme si un nombre mène à un autre), Moose était nettement meilleur que les autres méthodes. Alors que d'autres systèmes tombaient souvent dans les « raccourcis de raisonnement » (deviner la réponse en se basant sur un indice infime), Moose s'en tenait aux règles. Par exemple, dans un test impliquant des chaînes de rôles (où A mène à B, et B mène à C), Moose a atteint une précision de 96,1 %, tandis que la deuxième meilleure méthode n'a obtenu que 59,6 %.
Le compromis : L'article a également révélé qu'il existe un équilibre entre être précis (obtenir la bonne réponse) et être calibré (savoir à quel point on est sûr de soi). Lorsque les règles étaient ambiguës (comme une pizza qui pourrait être de deux types différents), Moose devait choisir entre deux stratégies :
- BEARS : Cette version utilise une équipe de robots qui votent. Elle était meilleure pour obtenir la bonne réponse (précision), mais elle était parfois trop confiante lorsqu'elle se trompait.
- NeSyDM : Cette version utilise un type de mathématiques différent pour répartir ses conjectures. Elle était meilleure pour savoir quand elle était incertaine (calibration), mais obtenait parfois la réponse un peu moins souvent.
Le secret de la « Clôture » : L'article a prouvé que sans l'ajout de ces règles de « clôture » supplémentaires (le filet de sécurité), le système échouerait presque complètement, tombant à un niveau proche du hasard (environ 9,4 % de précision dans un test). Cela a montré que les règles supplémentaires n'étaient pas seulement utiles ; elles étaient essentielles pour que le robot apprenne correctement les concepts cachés.

L'essentiel

Moose est une nouvelle façon d'enseigner à l'IA à apprendre des faits cachés en suivant strictement un livre de règles. Il a prouvé qu'en traduisant des règles logiques complexes en une carte spéciale et efficace, un robot peut apprendre à raisonner correctement même s'il ne voit qu'une partie de l'image. Les auteurs ont montré que sans garde-fous spécifiques contre les « raccourcis », les systèmes d'IA trouveront souvent des moyens simplifiés de résoudre les problèmes. Moose corrige cela en forçant le système à vérifier chaque possibilité par rapport aux règles.

Bien que l'article soit une avancée majeure, les auteurs précisent avec prudence que cela fonctionne mieux sur des ensembles de données plus petits et définis. Ils ne l'ont pas encore testé sur les bases de données massives du monde réel utilisées par les hôpitaux ou l'internet entier, donc bien que Moose soit un nouvel outil puissant, il est encore en cours de perfectionnement pour les plus grands défis. Mais pour l'instant, c'est un exemple brillant de la façon dont la combinaison des yeux d'un robot et du cerveau d'un logicien peut mener à une IA plus intelligente et plus honnête.

Résumé Technique : Moose – Apprentissage de Concepts Latents avec Sensibilité aux Raccourcis de Raisonnement dans EL++

1. Énoncé du Problème

Le document traite du défi de l'apprentissage de concepts latents supervisé par l'ABox au sein du profil OWL 2 EL. OWL 2 EL sous-tend de nombreuses ontologies de production (ex. : Gene Ontology, SNOMED CT) grâce à ses capacités de raisonnement en temps polynomial, mais il manque de support natif pour la disjonction du membre de droite et les contraintes de cardinalité.

La tâche d'apprentissage spécifique implique :

Entrée : Données perceptuelles par individu (ex. : images) et un ensemble partiel de littéraux ABox observés sur une signature observable.
Objectif : Apprendre des classificateurs par individu pour les valeurs de vérité des atomes de concepts latents (concepts non observés) qui ne sont pas directement supervisés.
Contraintes : L'apprentissage doit respecter les implications de l'ontologie EL++, y compris les chaînes de rôles ( $R_1 \circ R_2 \sqsubseteq S$ ) et les hiérarchies de rôles.
Le Défi : Les cadres de travail neuro-symboliques (NeSy) existants acceptent généralement des formules propositionnelles ou du Datalog, et non directement des ontologies OWL. De plus, sous supervision partielle, les prédicteurs NeSy standards souffrent souvent de Raccourcis de Raisonnement (RS - Reasoning Shortcuts) : ils apprennent à assigner une confiance élevée à une configuration latente arbitraire unique qui satisfait les preuves, plutôt que de distribuer la masse de probabilité sur toutes les configurations valides, en raison de l'hypothèse d'indépendance par atome.

2. Méthodologie : Le Cadre de Travail Moose

Moose est une méthode de bout en bout qui compile une TBox EL++ et un domaine ABox fini en un Diagramme de Décision Sentenciel (SDD), qui sert de couche de Comptage de Modèles Pondérés (WMC) différentiable.

Pipeline Central

Saturation ELK (Étape 1) : La méthode exécute le calcul de saturation ELK sur l'ontologie d'entrée pour dériver toutes les soussomptions impliquées et les liens de rôles. Cela produit une clôture de saturation $(\Sigma, \Lambda)$ .
Encodage au niveau de la TBox (Étapes 2–5) : La saturation est convertie en une théorie propositionnelle via la complétion de Clark, la détection de Composantes Fortement Connexes (SCC), le déroulement horodaté pour les dépendances cycliques, et la transformation de Tseitin en CNF. Cette étape gère la structure logique mais est principalement diagnostique pour la tâche d'apprentissage.
Ancrage Sensible à la Forme (Étape 6) : Des extracteurs filtrent la clôture de saturation pour ne conserver que les atomes ABox ancrés pertinents pour les individus nommés dans le domaine fini $\Delta$ $Δ$ . Cela génère un programme Horn propositionnel $\Gamma_{EL}$ $Γ_{E L}$ sur le vocabulaire ancré.
- Note : Les dérivations existentielles profondément imbriquées (internes à ELK) sont filtrées car elles n'ont pas de contrepartie ancrée dans le domaine nommé fini.
Compilation en SDD (Étape 7) : Les clauses ancrées sont compilées en un SDD. Ce circuit est lisse, décomposable et déterministe, permettant un WMC exact et différentiable.
Augmentation de la Clôture : Pour pallier l'expressivité limitée d'EL++ (spécifiquement l'absence d'hypothèses de monde clos et de disjonction du membre de droite), la méthode peut optionnellement ajouter des axiomes de clôture ( $\Phi_{clos}$ ) pour les familles exhaustives déclarées. Ceux-ci incluent la disjointure par paire, les clauses de couverture et les implications inverses indexées par profil. Cette étape est cruciale pour fournir un gradient d'apprentissage non trivial sous supervision partielle.

Apprentissage et Inférence

Entraînement : Un réseau de neurones $f_\theta$ mappe les entrées vers des probabilités par atome. Ces probabilités servent de poids de littéraux pour le SDD. La perte d'entraînement est le log-WMC négatif : $L(\theta) = -\log \text{WMC}(\alpha; p_\theta(x), e)$ .
Atténuation des Raccourcis de Raisonnement : Le papier intègre deux stratégies existantes d'atténuation des RS adaptées au contexte OWL EL :
- Moose+BEARS : Entraîne un ensemble d'encodeurs diversifiés via la divergence KL pour empêcher l'effondrement vers un seul raccourci.
- Moose+NeSyDM : Remplace l'hypothèse de factorisation de l'indépendance par un modèle de diffusion discrète masqué pour capturer les dépendances entre atomes.

3. Principales Contributions

Le papier revendique quatre contributions primaires :

Compilation End-to-End d'OWL 2 EL avec Preuves Formelles :
- Compile le profil EL complet (incluant les chaînes de rôles et les hiérarchies) en un SDD supportant le WMC.
- Fournit quatre théorèmes formels vérifiés dans Lean 4 :
  - Théorème 1 : Encodage SDD vérifié (les modèles du SDD correspondent exactement aux mondes où l'ontologie entraîne la requête).
  - Théorème 2 : Correspondance DISPONTE rationnelle (le WMC du circuit est égal à l'implication probabiliste sous la sémantique de distribution).
  - Théorèmes 3 & 4 : Factorisations compositionnelles des SCC aux niveaux Sat et WMC, prouvant que les composants non pertinents n'affectent ni la dérivabilité ni les probabilités postérieures.
- Toutes les preuves sont méchancées sans axiomes spécifiques à Moose, s'appuyant uniquement sur les fondations standards de Lean.
Apprentissage de Classificateurs de Concepts Latents Supervisé par l'ABox :
- Définit la première tâche formelle pour apprendre des classificateurs de concepts latents à partir de littéraux ABox observés sur une ontologie OWL EL.
- Généralise DeepProbLog et Semantic Loss aux contraintes de logique de description impliquant des chaînes de rôles et des hiérarchies.
Analyse des Raccourcis de Raisonnement dans OWL EL :
- Transpose l'analyse formelle des raccourcis de raisonnement (précédemment limitée aux contextes propositionnels/Datalog) au cadre OWL EL.
- Évalue le compromis entre la précision de l'argmax de la famille (BEARS excelle ici) et l'Erreur de Calibration Attendue (ECE) (NeSyDM excelle ici) sous ambiguïté symbolique.
Suite de Benchmarks :
- Introduit MNIST-avec-ontologie (OMNIST) couvrant les régimes de supervision atomique, relationnelle et de chaîne de rôles.
- Introduit Pizzaiolo, un jeu de données synthétique basé sur l'ontologie OWL Pizza, pour tester le transfert vers une ontologie tierce réelle.

4. Résultats Expérimentaux

Le papier évalue Moose contre des bases de comparaison NeSy propositionnelles (DeepProbLog, Semantic Loss), la logique floue (LTN) et les plongements d'ontologies (ELEmbeddings).

Régimes Relationnels et de Chaînes de Rôles (MNIST) : Moose surpasse significativement les bases de comparaison propositionnelles.
- Sur l'expérience de chaîne de rôles (Exp 3), Moose atteint 96,1 % de précision contre 59,6 % pour DeepProbLog.
- Ablation : Le retrait des axiomes de clôture ( $\Phi_{clos}$ ) provoque l'effondrement des performances vers des niveaux proches du hasard (passant de 96,1 % à 9,4 %), démontrant que si l'ancrage sensible à l'EL fournit la structure, les axiomes de clôture fournissent les contraintes d'identification nécessaires à l'apprentissage.
Ambiguïté Symbolique (Pizzaiolo) :
- Dans les régimes à haute ambiguïté symbolique (ex. : ambiguïté à 3 voies dans le Track B), BEARS améliore la précision (87,9 % contre 84,5 % pour le Moose standard) en diversifiant les prédictions.
- NeSyDM obtient la meilleure calibration (ECE la plus basse) mais souvent au détriment de la précision.
- Généralisation Inductive : Moose maintient sa précision sur des configurations relationnelles non vues, tandis que NeSyDM s'effondre, indiquant que Moose repose sur le chemin d'inférence exact plutôt que sur la mémorisation d'identités d'arêtes.
Calibration vs Précision : Un compromis est observé : BEARS mène en précision sous ambiguïté, tandis que NeSyDM mène en calibration.

5. Signification et Revendications

Le papier positionne Moose comme la première méthode capable de fournir :

Un Raisonnement Exact et Différentiable pour OWL EL : En compilant directement EL++ en un SDD, il conserve la sémantique exacte des modèles de l'ontologie tout en permettant l'apprentissage par gradient, contrairement aux approximations floues ou aux méthodes d'embedding qui relâchent la sémantique.
Vérification Formelle : La compilation et les preuves de correction sont méchancées dans Lean 4, offrant un haut degré de confiance dans le signal de raisonnement utilisé pour l'entraînement.
Sensibilité aux RS dans les Ontologies : C'est la première méthode qui analyse et atténue formellement les raccourcis de raisonnement dans le contexte d'OWL EL, montrant que les échements des systèmes NeSy propositionnels standards se traduisent directement dans les systèmes pilotés par les ontologies.

Limites reconnues par les auteurs :

Échelle : Les expériences sont limitées à de petits domaines ABox ( $|\Delta| \le 2$ ). La taille du SDD croît empiriquement en $|\Delta|^{2.9}$ , et la méthode ne passe pas encore à l'échelle des ontologies massives comme SNOMED CT sans techniques de WMC levées (lifted).
Domaine Fini : La méthode suppose un ensemble fini d'individus nommés et n'effectue pas d'inférence en domaine ouvert sur des individus non nommés.
Ancrage de Rôle (Role-Pinning) : La validité de l'encodage des liens de rôles repose sur l'hypothèse que les atomes de rôles sur la signature observable sont ancrés par les preuves, un choix spécifique pour le régime de domaine nommé fini plutôt qu'un théorème ELK général.

Les auteurs concluent que, bien que la contribution théorique (compilation vérifiée et analyse des RS) soit indépendante, la scalabilité vers des ontologies de production reste un problème ouvert nécessitant un WMC levé.