Neuro-Symbolic Integration Winter (in German: Neuro-Symbolic Integration ) Module-ID: FIN-INF-0 Abbreviation NeSy Credit Points 6 Semester Winter Term Duration 1 Semester Language english Level Master Link: LSF Limited accessability: true Responsibility: Martin Glauer Lecturer: Martin Glauer Classes: Lectures Exercise Classes   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Intended learning outcomes: Die Absolvent:innen vertiefen die Inhalte der Lehrveranstaltungen Logik und Intelligente Systeme, indem sie lernen, wie diese zu Neuro-Symbolischen Methoden kombiniert werden können. Hierfür werden neuste Forschungsinhalte aus diesem Gebiet vorgestellt und hinsichtlich der Eignung bestimmter Problemstellungen untersucht. Somit lernen Absolvent:innen komplexe Aufgaben aus der Schnittstelle von Anwendung und Forschung selbstständig zu bewältigen. In den Übungen werden auch offene Aufgaben gestellt, bei denen die eigenen Ergebnisse erklärt und kritisch bewertet und ggf alternative Ansätze vorgeschlagen werden sollen. Die Teilnehmenden können so eigene Ideen einbringen und erlangen detailliertes und kritisches Verständnis der Methoden der neuro-symbolischen Integration. Content: (Fuzzy) Logic Neuro-Symbolic Integration nach von Hamelen Propositional Program Extraction (Arthur, KBANN) Cognitive architectures (CLARION) Logic Tensor Networks Logical Neural Networks Graph Neural Networks Ontology-based Training Workload: Total: 180 h Weekly lecture (2 SWS = 28 h) Follow-up work (20 h) Weekly exercise session (2 SWS = 28 h) Completing assignments (84 h) Follow-up work (20 h) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Active participations during the exercise sessions Voting for exercise tasks Schriftliche Prüfung/Klausur bzw. elektronische Prüfung (written exam) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Logik/Logic Intelligente Systeme/Intelligent Systems Deep Learning Programming experience (e.g. in Python) Media: Literature: Books P. Hitzler and M. K. Sarker (eds.): Neuro-Symbolic Artificial Intelligence, IOS Press, 2022 Artur S. d'Avila Garcez, Krysia Broda, Dov M. Gabbay: Neural-symbolic learning systems - foundations and applications. Perspectives in neural computing, Springer 2002  PDF Garcez A, Lamb LC, Gabbay DM. Neural-symbolic cognitive reasoning. Springer; 2009. Cognitive Technologies. Hammer B, Hitzler P, editors. Perspectives of neural-symbolic integration. Springer; 2007. Survey papers Michael van Bekkum, Maaike de Boer, Frank van Harmelen, André Meyer-Vitali, Annette ten Teije: Modular design patterns for hybrid learning and reasoning systems. Appl. Intell. 51(9): 6528-6546 (2021) Md. Kamruzzaman Sarker, Lu Zhou, Aaron Eberhart, Pascal Hitzler: Neuro-Symbolic Artificial Intelligence: Current Trends. CoRR abs/2105.05330 (2021) Artur d'Avila Garcez, Luís C. Lamb: Neurosymbolic AI: The 3rd Wave. CoRR abs/2012.05876 (2020) Tarek R. Besold, et al.: Neural-Symbolic Learning and Reasoning: A Survey and Interpretation. CoRR abs/1711.03902 (2017) Marra G, Dumancic S, Manhaeve R, et al. From statistical relational to neural symbolic artificial in- telligence: a survey. CoRR abs/2108.11451 (2021) Grady Booch et al.: Thinking Fast and Slow in AI. AAAI 2021: 15042-15046 (2021) Specific approaches Samy Badreddine, Artur d'Avila Garcez, Luciano Serafini, Michael Spranger: Logic Tensor Networks. Artif. Intell. 303: 103649 (2022) Ryan Riegel et al.: Logical Neural Networks. CoRR abs/2006.13155 (2020) Honghua Dong et al.: Neural Logic Machines. ICLR (Poster) 2019. Also: CoRR abs/1904.11694 Matthieu Zimmer et al.: Differentiable Logic Machines. CoRR abs/2102.11529 (2021) F. Scarselli, M. Gori, A. C. Tsoi, M. Hagenbuchner, and G. Monfardini. “The graph neural network model.” In: IEEE transactions on neural networks 20.1 (2008), pp. 61–80. J. Chen, P. Hu, E. Jiménez-Ruiz, O. M. Holter, D. Antonyrajah, and I. Horrocks. “OWL2Vec*: embedding of OWL ontologies.” In: Mach. Learn. 110.7 (2021), pp. 1813–1845. Aws Albarghouthi: Introduction to Neural Network Verification. Comments: