学习推理：面向鲁棒图像识别的目标知识发现与模糊逻辑更新

将领域知识集成到深度神经网络中是提高泛化能力的一种有前景的方法。现有方法要么在损失函数中编码先验知识，要么应用后处理模块，但两者都依赖于识别有用的符号知识进行集成。由于此类规则在现实世界的视觉任务中通常不可用，我们提出了一种目标知识发现方法。我们提出了一个可微知识单元（DKU），它能够调制分类器logits，产生精炼的类别概率。DKU 使用蕴含规则来表示任务类别与完全从主任务监督中学习到的隐式概念之间的关系，无需概念标签。概念由专用分类器识别，其概率与主类别概率一起传递给 DKU。DKU 通过模糊推理计算基于逻辑的调整向量，该向量调制主类别 logits 以产生精炼的类别概率。当概念分类器表示不支持逻辑规则结构的概念时，对类别概率的结果调整不会直接最小化监督损失。因此，在这些调整后的类别概率上优化监督损失会隐式地训练概念分类器。我们构建规则库，使双向逻辑关系连接概念和类别。我们强制概念彼此不同且与类别不同。这种设计为概念学习强制执行了清晰的监督信号。我们在 PASCAL-VOC、COCO 和 MedMNIST 数据集上评估了我们的方法。我们在这些数据集上展示了通过我们的知识集成带来的改进。我们进行了领域泛化和困难样本消融研究，发现我们的隐式知识发现和集成优于基线。