Nöral sembolik entegrasyon üzerine bir yapı önerisi
A proposed framework for neural-symbolic integration
- Tez No: 1003594
- Danışmanlar: PROF. DR. ARAL EGE
- Tez Türü: Doktora
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Yapay zeka, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ufuk Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, nöral-sembolik entegrasyon literatüründeki temel bir açı˘gı hedefler: Mevcut yakla ¸sımlar ço˘gu zaman mantıksal kuralları ö˘grenme sürecine katı biçimde gömmekte veya sinirsel ve sembolik bile¸senler arasında esnek bir etkile¸sim kurmakta yetersiz kalmaktadır. Bu do˘grultuda tez, önceden tanımlı mantıksal bilginin sinirsel ö˘grenmeye dinamik ve farklıla¸stırılabilir biçimde entegre edilebildi˘gi ve sinirsel çıktıların sembolik çıkarıma dönü¸stürülebildi˘gi bir çerçeve önermektedir. Önerilen yapı, veri verimlili˘gi ve yorumlanabilirli ˘gi birincil tasarım hedefleri olarak ele alır. Çalı¸smanın ba¸slıca katkıları ¸su ¸sekilde özetlenebilir: (i) Mantıksal bilgi tabanlarının hipergraf tabanlı mantıksal kodlama ile temsil edilmesi ve bu temsilin Laplacian- /entropi gibi ölçümlerle analiz edilebilir hale getirilmesi; (ii) Mantıksal cümle ve kurallar arasındaki benzerliklerin Weisfeiler–Lehman (WL) graf çekirde˘gi ile çekirdek uzayına ta¸sınması ve semantik boyutu güçlendirmek üzere ontolojik benzerli˘gi de yakalamayı hedefleyen özelle¸stirilmi¸s çekirdek yakla¸sımının tartı¸sılması; (iii) Elde edilen çekirdek temsillerin çekirdek-tabanlı Kısıtlı Boltzmann Makinası (kernelized RBM) ile birle¸stirilerek sembolik yapıların enerji-tabanlı sinirsel bir modele gömülmesi; (iv) Mantıksal sorguların, bilgi tabanı ile uyumunu RBM serbest enerji farkı/enerji farkı üzerinden nicel bir skora dönü¸stüren bir de˘gerlendirme mekanizmasının tanımlanması; (v) Salt yapısal önselin semantik olarak hatalı ama yapısal olarak“tipik”sorguları dü¸sük enerjili görebilmesi sorununu gidermek üzere iki tamamlayıcı düzeltme katmanı: mantıksal çatı¸sma cezası ve prototip-karı¸sımı düzeltmesi. Deneysel de˘gerlendirme, enerji-tabanlı önselin tek ba¸sına yapısal benzerli˘ge a¸sırı duyarlı olabildi˘gini; buna kar¸sın çatı¸sma cezasının ontolojik ihlalleri (ör. hayvan(masa)) yüksek enerjili/uyumsuz bölgeye ta¸sıyarak do˘gru ayrımı sa˘gladı˘gını göstermektedir. Prototipkarı ¸sımı düzeltmesi ise, sorgu skorlamasını pozitif/negatif prototiplerin gizli uzaydaki da- ˘gılımı ile birle¸stirerek daha ince taneli ve ayrı¸stırıcı bir de˘gerlendirme üretir. Ayrıca hiperparametre analizleri, özellikle kom¸suluk derinli˘gi gibi seçimlerin çekirdek seçicili˘gini ve modelin ayırt edicili˘gini belirgin biçimde etkiledi˘gini ortaya koymaktadır.
Özet (Çeviri)
Artificial intelligence research has traditionally been divided into two primary paradigms: the symbolic approach, which excels in logical reasoning and transparency, and the neural (connectionist) approach, which demonstrates superior performance in pattern recognition and learning from large datasets. Despite their individual successes, both paradigms face significant limitations; symbolic systems often struggle with noisy data and scalability, while neural networks are frequently criticized for their“black-box”nature and lack of interpretability. This thesis proposes a novel framework for Neural-Symbolic Integration, aiming to synthesize the strengths of both paradigms. The study focuses on developing a structure where high-level symbolic logic can be integrated into deep learning architectures. This integration facilitates more robust reasoning, enhances the explainability of model outputs, and improves data efficiency by leveraging prior domain knowledge. Within the scope of the proposed model, the representation of symbolic rules in vector spaces and their processing through neural layers are examined. The performance of the framework is evaluated through various experimental scenarios, demonstrating its effectiveness in tasks requiring both perceptual learning and logical inference. The findings suggest that the proposed neural-symbolic structure provides a significant advantage in building more reliable, transparent, and hybrid intelligent systems, particularly for applications in Management Information Systems where decision-making logic is critical.
Benzer Tezler
- Viskoelastik çubukların kuazi-statik ve dinamik analizi
Quasi-static and dynamic analysis of viscoelastic beams
FETHİ KADIOĞLU
- Genel kabuklara ait fonksiyonel ve parabolik silindir kabuklar için karma sonlu eleman formülasyonu
A Functional for shells of arbitrary geometry and the mixed finite element method for parabolic cylindirical shells
ATİLLA ÖZÜTOK
- Düzlem çerçeve sistemlerinin mod süperpozisyon metodu ile zorlanmış titreşim analizi ve mathematıca uygulamaları
Başlık çevirisi yok
HÜSEYİN RIZKULLAH YERLİ
Yüksek Lisans
Türkçe
1994
İnşaat MühendisliğiÇukurova Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN KIRAL
- Anlamsal kategorizasyonda anlamsal uzaklığın nöral aktivite, GABA/glutamat dengesi ve pupil yanıtıyla ilişkisi
The relationship between semantic distance in categorization and neural activity, GABA/glutamate balance, and pupillary response
EMRE MISIR
Doktora
Türkçe
2025
DilbilimAnkara ÜniversitesiSinir Bilimleri Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ÖZGÜR AYDIN
- Some algebraic aspects of the center and isochronicity problems for neuron systems
Nöron sistemleri için merkez ve eşzamanlilik problemlerinin bazi cebirsel yönleri
FATMA KOCAMAN
Doktora
İngilizce
2026
MatematikYeditepe ÜniversitesiMatematik Ana Bilim Dalı
DOÇ. DR. İLKNUR KUŞBEYZİ AYBAR