神经符号学习的可学习性分析
强关联电子
2026-04-13 v1
摘要
本文分析了混合系统中神经符号(NeSy)任务的可学习性。我们表明NeSy任务的可学习性可由其导出的约束满足问题(DCSPs)来刻画。具体而言，如果对应的DCSP具有唯一解，则该任务是可学习的；否则是不可学习的。对于可学习任务，我们利用假设空间的聚类性质建立了误差界。此外，我们分析了通用NeSy任务的渐近误差，表明期望误差随解之间的不一致性而缩放。我们的结果为确定可学习性提供了原则性方法，并为新算法的设计提供了见解。
引用
@article{arxiv.2503.16796,
title = {Finite-time scaling with two characteristic time scales: Driven critical dynamics with emergent symmetry},
author = {Yu-Rong Shu and Li-Ying Yang and Shuai Yin},
journal= {arXiv preprint arXiv:2503.16796},
year = {2026}
}
备注
13 pages, 11 figures