یادگیری ماشین با اثبات درونی: چارچوب جدید، استدلال هوش مصنوعی را قابل حسابرسی می‌کند
سیستم‌های هوش مصنوعی که شبکه‌های عصبی را با منطق نمادین ترکیب می‌کنند، مدت‌هاست وعده داده‌اند بهترین ویژگی‌های هر دو جهان را ارائه دهند: توانایی تشخیص الگو در یادگیری ماشین و دقت و سخت‌گیری استدلال رسمی. با این حال، در عمل بیشتر سیستم‌های عصبی-نمادین به‌طور پنهانی فرض می‌کنند پایگاه دانشی که بر اساس آن استدلال می‌کنند ثابت است. در دنیای واقعی، هستی‌شناسی‌ها (Ontology)—یعنی فهرست‌های رسمی از مفاهیم و روابط میان آن‌ها که زیربنای گراف‌های دانش، پایگاه‌های داده زیست‌پزشکی و وب معنایی هستند—همواره تغییر می‌کنند. وقتی یک هستی‌شناسی به‌روزرسانی می‌شود، قواعدی که دیروز معتبر بودند ممکن است با ساختار امروز ناسازگار شوند و پیش‌بینی‌های یک مدل یادگرفته‌شده بدون هشدار از چارچوب منطقی خارج شوند.
چارچوب جدیدی با نام «Delta Semantics» که توسط راهول کومار سینگ، آشوک کومار و راجات کومار در نشریه Knowledge and Information Systems منتشر شده، دقیقاً این شکاف را هدف قرار می‌دهد. این چارچوب، نسخه‌بندی هستی‌شناسی، اعتبارسنجی اثبات‌ها و تنظیم عدم‌قطعیت را به‌عنوان اجزای اصلی فرایند استدلال در نظر می‌گیرد.
ایده اصلی Delta Semantics بر پایه یک هستی‌شناسی نوع‌بندی‌شده به نام Delta-t است که به‌صورت صریح در طول زمان نسخه‌بندی می‌شود. برخلاف یک ساختار ثابت، این سیستم دنباله‌ای زمانی از وضعیت‌های هستی‌شناسی را نگهداری می‌کند که هرکدام محدودیت‌های نوعی و قواعد منطقی خاص خود را دارند.
قواعد استنتاج احتمالی در این چارچوب از طریق دو سازوکار مکمل که نویسندگان آن‌ها را «Path-to-Rule» و «Prompt-to-Rule» می‌نامند، تولید می‌شوند. Path-to-Rule قواعد منطقی را از مسیرهای مشاهده‌شده در گراف دانش استخراج می‌کند؛ رویکردی مشابه سامانه‌های یادگیری قانون مانند AMIE+. در مقابل، Prompt-to-Rule با استفاده از درخواست‌های مبتنی بر مدل‌های زبانی، قواعد پیشنهادی را استخراج می‌کند.
این راهبرد دوگانه به چارچوب اجازه می‌دهد الگوهای آماری پایین‌به‌بالا را با فرضیه‌های بالا‌به‌پایین ترکیب کند و مجموعه گسترده‌ای از قواعد احتمالی را برای وظایف استدلال چندمرحله‌ای فراهم آورد.
ویژگی متمایز این چارچوب، حلقه استنتاج آن است که بر اساس الگوی «پیشنهاد–تأیید–ترمیم» طراحی شده است. ابتدا یک مدل یادگیری، پیش‌بینی‌هایی مانند پیش‌بینی ارتباطات در گراف دانش، پاسخ به پرسش‌های چندمرحله‌ای یا روابط موجود در یک صحنه تصویری را ارائه می‌کند. سپس یک بررسی‌کننده نمادین، هر پاسخ پیشنهادی را در برابر نسخه فعلی هستی‌شناسی ارزیابی می‌کند و خروجی‌هایی را که محدودیت‌های نوعی یا قواعد منطقی را نقض کنند کنار می‌گذارد.
پیش‌بینی‌هایی که این مرحله را پشت سر می‌گذارند، یک «گواهی اثبات تأییدشده توسط بررسی‌کننده» دریافت می‌کنند؛ رکوردی قابل بررسی توسط ماشین که نشان می‌دهد چرا پاسخ با هستی‌شناسی سازگار است. پیش‌بینی‌های ردشده به مرحله ترمیم هدایت می‌شوند تا نقض ایجادشده اصلاح شود؛ برای نمونه، با جایگزینی یک گزینه ناسازگار با گزینه‌ای که از نظر نوعی معتبر است. نتیجه، جریان خروجی قابل حسابرسی است که در آن هر پاسخ پذیرفته‌شده، در اصل می‌تواند تا زنجیره‌ای از توجیهات منطقی تأییدشده ردیابی شود.
در کنار سازوکار اثبات، Delta Semantics از «پیش‌بینی هم‌فرم» (Conformal Prediction) نیز استفاده می‌کند؛ چارچوبی آماری که خروجی‌هایی به‌صورت مجموعه‌ای همراه با تضمین‌های پوشش کالیبره‌شده تولید می‌کند. به‌جای تعهد به یک پاسخ واحد، مدل می‌تواند مجموعه‌ای از پاسخ‌های احتمالی را ارائه دهد که هرکدام دارای گواهی هستند.
این رویکرد بازتاب‌دهنده حرکت گسترده‌تر در یادگیری ماشین به سوی اندازه‌گیری صادقانه عدم‌قطعیت است: به جای ارائه یک پیش‌بینی نقطه‌ای که میزان اعتماد به آن مشخص نیست، سیستم مجموعه‌ای از پاسخ‌ها را ارائه می‌کند که پوشش آماری آن کنترل شده است. در کاربردهای حساس مانند پایگاه‌های دانش پزشکی، استدلال حقوقی و انطباق مالی، ترکیب گواهی‌های اثبات و مجموعه‌های کالیبره‌شده دو لایه مستقل از اطمینان ایجاد می‌کند؛ یکی منطقی و دیگری آماری.
ارزیابی تجربی این چارچوب در سه بنچمارک دشوار انجام شده است که جنبه‌های مختلف آن را آزمایش می‌کنند. مجموعه داده FB15k-237 که یکی از معیارهای شناخته‌شده تکمیل گراف دانش است، پیش‌بینی ارتباطات را هنگام تغییر هستی‌شناسی بررسی می‌کند. مجموعه HotpotQA برای پاسخ‌گویی چندمرحله‌ای به پرسش‌ها آزمایش می‌کند که آیا چارچوب می‌تواند پاسخ‌های توضیح‌پذیر و دارای پشتوانه اثباتی ارائه دهد یا خیر. Visual Genome نیز استدلال در گراف‌های صحنه را بررسی می‌کند؛ جایی که روابط پیش‌بینی‌شده میان اشیا باید با سیستم نوعی هستی‌شناسی صحنه سازگار باشند.
در هر سه آزمایش، معیار اصلی گزارش‌شده صرفاً دقت خام در رتبه‌بندی نیست، بلکه نرخ عبور از اثبات و نرخ نقض هستی‌شناسی است؛ معیارهایی که نشان می‌دهند خروجی‌های سیستم تا چه اندازه در برابر بررسی رسمی دوام می‌آورند.
آزمایش‌های FB15k-237 هزینه تغییر هستی‌شناسی و ارزش سازگاری پس از تغییر را نشان می‌دهد. هنگامی که ۱۰ هزار یال استنتاج‌شده در نسخه جدید هستی‌شناسی فعال شدند، معیار Hits@10 در نسخه‌های پیش از سازگاری روی ۰٫۱۴۰۰ ثابت ماند، اما رتبه متقابل میانگین (MRR) از ۰٫۱۰۶۴ به ۰٫۰۹۲۱ کاهش یافت. این نوع شکست ظریف اما مهم است: سیستم همچنان پاسخ‌های درست را در فهرست رتبه‌بندی خود پیدا می‌کرد، اما به‌روزرسانی منطقی باعث می‌شد موجودیت‌های درست پایین‌تر قرار بگیرند.
یک مرحله کوتاه سازگاری پس از به‌روزرسانی توانست ۶۴٫۳ درصد از کاهش MRR را جبران کند و آن را به ۰٫۱۰۱۳ برساند. همچنین همه معیارهای Hits بهبود یافتند؛ Hits@1 از ۰٫۰۶۵۰ به ۰٫۰۷۳۹، Hits@3 از ۰٫۰۹۸۰ به ۰٫۱۰۷۰ و Hits@10 از ۰٫۱۴۰۰ به ۰٫۱۴۰۴ افزایش یافت. نرخ عبور از اثبات نیز از ۹۵٫۶ به ۹۷٫۱ درصد رسید و نرخ نقض هستی‌شناسی از ۰٫۱۱ به ۰٫۰۳ درصد کاهش پیدا کرد. نتیجه این است که سازگاری بخش زیادی از افت عملکرد را جبران می‌کند، اما همه آن را از بین نمی‌برد.
در HotpotQA، امتیاز تطابق دقیق از ۵۸٫۶ به ۵۹٫۸ افزایش یافت، اما اعداد مهم‌تر مربوط به منشأ و پشتیبانی پاسخ‌ها بودند. معیار پشتیبانی نگاشت‌شده—که بررسی می‌کند شواهد پشتیبان تا چه حد با پاسخ هماهنگ است—به ۰٫۸۲۷۴ رسید و ۹۲٫۶ درصد از پیش‌بینی‌های پذیرفته‌شده گواهی اثبات تأییدشده توسط بررسی‌کننده دریافت کردند.
به بیان دیگر، تقریباً هر پاسخی که سیستم پذیرفت، دارای یک رکورد رسمی بود که نشان می‌داد چرا آن پاسخ با هستی‌شناسی سازگار است. این همان نوع توضیح‌پذیری قابل راستی‌آزمایی است که سیستم‌های صرفاً عصبی معمولاً در ارائه آن مشکل دارند و محیط‌های نظارتی بیش از پیش به آن نیاز دارند.
نتایج Visual Genome چشمگیرتر بود. میانگین فراخوانی در ۵۰ مورد از ۶٫۸ به ۸٫۹ و در ۱۰۰ مورد از ۷٫۹ به ۱۰٫۲ افزایش یافت؛ بهبودهایی قابل توجه در کاری که به دلیل پیش‌بینی‌های سوگیرانه و تمایل به روابط پرتکرار شناخته می‌شود.
مهم‌تر از آن، سازگاری نوعی از ۸۲٫۴ به ۹۶٫۷ درصد افزایش یافت و نرخ عبور از اثبات به ۹۴٫۶ درصد رسید. تولید گراف صحنه حوزه‌ای است که در آن مدل‌های یادگیری معمولاً روابط فیزیکی یا منطقی غیرممکن میان اشیا را توهم می‌کنند؛ حلقه بررسی–تأیید–ترمیم ظاهراً این نقض‌ها را در مقیاس بزرگ حذف می‌کند و هم‌زمان فراخوانی را افزایش می‌دهد. این موضوع نشان می‌دهد محدودیت‌های منطقی فقط مانعی برای پیش‌بینی‌های عصبی نیستند، بلکه می‌توانند دقت آن‌ها را نیز افزایش دهند.
نویسندگان با احتیاط جایگاه این دستاورد را مشخص می‌کنند. نتایج روش‌های کلاسیک تع嵌ه‌سازی گراف دانش مانند TransE، ComplEx و RotatE تنها به‌عنوان نقاط مرجع مطابق پروتکل گزارش شده‌اند؛ دستاورد اصلی مقاله، استنتاج همراه با اثبات و سازگاری کنترل‌شده با به‌روزرسانی‌های هستی‌شناسی است، نه رقابت صرف بر سر رتبه‌بندی پیش‌بینی لینک‌ها.
این موضوع اهمیت دارد، زیرا پرسش عمیق‌تر مقاله معماری است: یک سیستم استدلالی زمانی که زیرساخت منطقی زیر آن تغییر می‌کند، چگونه باید رفتار کند؟ پاسخ پیشنهادی—نسخه‌بندی هستی‌شناسی، صدور گواهی برای هر خروجی پذیرفته‌شده، تنظیم مجموعه پاسخ‌ها و سازگاری پس از هر به‌روزرسانی—به سوی سامانه‌های دانشی اشاره می‌کند که به‌جای پنهان کردن معیارهای صحت خود در وزن‌های غیرشفاف، می‌توانند کاهش عملکرد را به‌صورت تدریجی مدیریت کرده و معیارهای درستی خود را آشکار کنند.
پیامدهای این پژوهش فراتر از مجموعه داده‌های آزمایشی است. گراف‌های دانش در موتورهای جست‌وجو، سامانه‌های پیشنهاددهی، فرایندهای کشف دارو و یکپارچه‌سازی داده‌های سازمانی استفاده می‌شوند و تقریباً همه آن‌ها به‌طور مداوم با افزودن موجودیت‌ها، اصلاح سلسله‌مراتب یا تصحیح خطاها تغییر می‌کنند.
چارچوبی که بتواند این تغییرات را جذب کند، میزان عدم‌قطعیت خود را اندازه‌گیری کند و برای خروجی‌هایش اثبات‌های قابل بررسی توسط ماشین ارائه دهد، الگویی برای شکل آینده هوش مصنوعی قابل حسابرسی فراهم می‌کند. نتایج سازگاری همچنین یک هشدار عملی دارند: به‌روزرسانی‌های منطقی همواره مقداری افت رتبه در مدل‌های یادگیری ایجاد می‌کنند و هیچ‌یک از مراحل سازگاری بررسی‌شده در این پژوهش نتوانست این افت را کاملاً حذف کند.
تیم‌هایی که سیستم‌های عصبی-نمادین را به کار می‌گیرند، باید بنابراین برای بازآموزی پس از به‌روزرسانی و پایش نرخ عبور از اثبات به‌عنوان یک شاخص سلامت زنده برنامه‌ریزی کنند. Delta Semantics شاید آخرین پاسخ به مسئله استدلال پویا بر پایه هستی‌شناسی نباشد، اما استدلال قدرتمندی ارائه می‌دهد که آینده هوش مصنوعی قابل اعتماد به سمت سامانه‌هایی خواهد رفت که می‌توانند روند کار خود را نشان دهند؛ نسخه به نسخه و اثبات به اثبات.
موضوع پژوهش: چارچوب عصبی-نمادین برای استدلال روی هستی‌شناسی‌های نسخه‌بندی‌شده با یادگیری ماشین همراه با اثبات
عنوان مقاله: ΔSemantics: چارچوبی عصبی-نمادین برای استدلال پویای هستی‌شناختی با یادگیری ماشین همراه با اثبات
منبع مقاله: https://doi.org/10.1007/s10115-026-02897-w
شناسه DOI: 10.1007/s10115-026-02897-w
کلیدواژه‌ها: هوش مصنوعی عصبی-نمادین، هستی‌شناسی‌ها، استنتاج همراه با اثبات، پیش‌بینی هم‌فرم، گراف‌های دانش، نسخه‌بندی هستی‌شناسی، HotpotQA، FB15k-237، Visual Genome، هوش مصنوعی توضیح‌پذیر، Knowledge and Information Systems
منبع خبری: ترزا اودوم. (۱۴ اکتبر ۲۰۲۶). «یادگیری ماشین با اثبات درونی: چارچوب جدید، استدلال هوش مصنوعی را قابل حسابرسی می‌کند». Scienmag.