Vector Symbolic Architectures: Foundations and Applications to the Embedding of Words and Databases

Abstract

Deze masterproef verkent Vector Symbolic Architectures, een paradigma dat toelaat dat symbolische informatie efficiënt wordt voorgesteld in hoog-dimensionale ruimtes. De kracht van VSAs ligt in hun vermogen om semantische relaties tussen concepten te vatten, wat traditionele connectionistische AI-modellen moeilijk vinden.

De proef demonstreert de toepasbaarheid van VSAs door middel van twee concrete use cases: (1) Het genereren van woord-embeddings, waarbij woorden worden omgezet naar vectoren die hun betekenis representeren, wat essentieel is voor taalbegrip in AI. (2) De ontwikkeling van de VSA-database (VSADB), die database-records als hoog-dimensionale vectoren encodeert, opslaat en het opvragen van relevante records mogelijk maakt met een hoge accuraatheid.

Hoewel er nog uitdagingen zijn, benadrukt deze masterproef het enorme potentieel van VSAs voor de toekomst van AI.