뉴로-심볼릭 프로그래밍을 위한 에이전트 프레임워크

An Agentic Framework for Neuro-Symbolic Programming

심볼릭 제약 조건을 딥러닝 모델에 통합하면 모델의 강건성, 해석 가능성 및 데이터 효율성을 높일 수 있습니다. 하지만 이는 여전히 많은 시간이 소요되고 까다로운 작업입니다. DomiKnowS와 같은 기존 프레임워크는 고수준 선언형 프로그래밍 인터페이스를 제공하여 이러한 통합을 돕지만, 여전히 사용자가 해당 라이브러리의 특정 문법에 능숙해야 한다는 전제가 있습니다. 우리는 이러한 의존성을 제거하기 위해 AgenticDomiKnowS(ADS)를 제안합니다. ADS는 각 DomiKnowS 구성 요소를 개별적으로 생성하고 테스트하는 에이전트 워크플로우를 사용하여, 자유 형식의 작업 설명을 완전한 DomiKnowS 프로그램으로 변환합니다. 이 워크플로우는 선택적인 인간 개입(human-in-the-loop)을 지원하여, DomiKnowS에 익숙한 사용자가 중간 산출물을 정제할 수 있도록 합니다. 우리는 ADS를 통해 숙련된 DomiKnowS 사용자와 비사용자 모두 뉴로-심볼릭 프로그램을 신속하게 구축하여, 개발 시간을 수 시간에서 10~15분으로 단축할 수 있음을 보여줍니다.

Integrating symbolic constraints into deep learning models could make them more robust, interpretable, and data-efficient. Still, it remains a time-consuming and challenging task. Existing frameworks like DomiKnowS help this integration by providing a high-level declarative programming interface, but they still assume the user is proficient with the library's specific syntax. We propose AgenticDomiKnowS (ADS) to eliminate this dependency. ADS translates free-form task descriptions into a complete DomiKnowS program using an agentic workflow that creates and tests each DomiKnowS component separately. The workflow supports optional human-in-the-loop intervention, enabling users familiar with DomiKnowS to refine intermediate outputs. We show how ADS enables experienced DomiKnowS users and non-users to rapidly construct neuro-symbolic programs, reducing development time from hours to 10-15 minutes.