당신이 축구를하고 있다고 가정하자. 공은 당신의 발에 도달하고, 당신은 공을 표시되지 않은 스트라이커에게 전달하기로 결정합니다. 하나의 간단한 행동처럼 보이는 것은 두 가지 다른 종류의 생각이 필요합니다.
첫째, 발에 축구 공이 있다는 것을 인식합니다. 이 인식에는 직관적 인 지각 적 사고가 필요합니다. 발에 공이 있다는 것을 어떻게 알 수 있는지 쉽게 설명 할 수 없습니다. 공이 있다는 것을 알뿐입니다. 둘째, 특정 스트라이커에게 공을 패스하기로 결정합니다. 이 결정에는 개념적 사고가 필요합니다. 당신의 결정은 정당화와 관련이 있습니다. 당신이 공을 스트라이커에게 패스 한 이유는 그녀가 무표정 이었기 때문입니다.
이 두 가지 유형의 사고는 머신 러닝에 대한 두 가지 다른 접근법, 즉 딥 러닝과 상징적 프로그램 합성. 심층 학습은 직관적 인 지각 사고에 집중하는 반면 상징적 프로그램 합성은 개념적 규칙 기반 사고에 중점을 둡니다. 각 시스템은 서로 다른 장점이 있습니다. 딥 러닝 시스템은 노이즈가 많은 데이터에는 견고하지만 해석하기가 어렵고 훈련하기 위해서는 많은 양의 데이터가 필요하지만 상징적 시스템은 해석하기가 훨씬 쉽고 훈련 데이터는 덜 필요하지만 노이즈가 많은 데이터에는 어려움이 있습니다. 인간의 인식 원활하게 결합 이 두 가지 다른 사고 방식을 사용하면 단일 AI 시스템에서 복제 할 수 있는지 여부가 훨씬 명확하지 않습니다.
우리의 새로운 논문, JAIR에서 최근에 출판, 시스템이 직관적 인 지각과 개념적 해석 가능한 추론을 결합 할 수 있음을 보여줍니다. 우리가 설명하는 ∂ILP 시스템은 노이즈에 강하고 데이터 효율적이며 해석 가능한 규칙을 생성합니다.
출처 : https://deepmind.com/blog/article/learning-explanatory-rules-noisy-data