桥接逻辑与学习：一种增强神经模型推理能力的神经符号方法 (ASPER)
人工智能
2025-06-10 v1
摘要
神经符号学习是神经网络与符号推理的交叉领域，旨在将神经网络的学习能力与符号AI的可解释性和推理能力相融合。本文介绍了一种旨在提升神经模型在学习推理任务中表现的方法。该方法通过集成回答集编程(ASP)求解器和特定领域专业知识来实现这一目标，这是一种有别于传统复杂神经符号模型的方法。在本文中，一个浅层人工神经网络(ANN)被专门训练以使用最少的训练数据来求解数独谜题。该模型具有独特的损失函数，集成了使用ASP求解器输出计算的损失，从而有效提升了其训练效率。最值得注意的是，该模型在无需超参数调优的情况下，仅使用 12 个谜题进行训练和测试，在求解数独谜题时便展现出显著的性能提升。这一进展表明，该模型增强的推理能力具有实际应用价值，其应用范围远超数独谜题，可能涵盖各种其他领域。代码可在 GitHub 上找到：https://github.com/Fadi2200/ASPEN。
引用
@article{arxiv.2312.11651,
title = {Bridging Logic and Learning: A Neural-Symbolic Approach for Enhanced Reasoning in Neural Models (ASPER)},
author = {Fadi Al Machot},
journal= {arXiv preprint arXiv:2312.11651},
year = {2025}
}