grounding 与组合性：论神经符号系统中推理的非互补性

组合化泛化仍是现代神经网络的根本性弱点，限制了其在需要离分布推理的领域的鲁棒性和适用性。神经符号AI的一个核心且尚未验证的假设是：通过成功的符号grounding，组合推理将作为副产品自然涌现。本 work 首次进行系统性经验分析，以解耦grounding与推理的贡献来挑战这一假设。为实现此调查，我们引入迭代逻辑张量网络 ($i$LTN)，一种用于多步骤演绎的全可微架构。运用对泛化的正式分类学——探测 novel entities、未见关系与复杂规则组合——我们展示了仅在grounding目标下训练的模型无法实现泛化。相比之下，我们完整的 $i$LTN 在感知grounding 与多步骤推理联合训练下，实现了所有任务的高零样本准确率。我们的发现提供了关于符号grounding（虽然必要却不足）和推理（非涌现属性而需显式学习目标）的决定性证据，确立了推理并非依赖性能力。