Inferencia de Abstracción para una Explicación Unificada del Razonamiento y el Aprendizaje

Inspirados por enfoques bayesianos de la función cerebral en neurociencia, ofrecemos una teoría simple de inferencia probabilística para una explicación unificada del razonamiento y el aprendizaje. Simplemente modelamos cómo los datos causan conocimiento simbólico en términos de su satisfacibilidad en lógica formal. La idea subyacente es que el razonamiento es un proceso de derivación de conocimiento simbólico a partir de datos a través de la abstracción, es decir, ignorancia selectiva. Se discute la relación de consecuencia lógica por su corrección teórica basada en pruebas. Se discute el conjunto de datos MNIST por su corrección empírica basada en experimentos.