假设的逻辑：在神经符号融合中从零知识到全知识
机器学习
2026-05-18 v2 人工智能
计算机科学中的逻辑
摘要
神经符号融合将神经网络学习与符号推理相结合。该领域可分为将人工规则注入神经网络的方法，以及从数据中归纳符号规则的方法。我们引入了假设的逻辑，一种统一这些分支的新语言，实现了数据驱动规则学习与符号先验及专家知识的灵活整合。LoH 通过一个选择算子扩展了命题逻辑语法，该算子具有可学习参数，并从选项池中选择子公式。利用模糊逻辑，LoH 中的公式可以直接编译为可微计算图，从而可以通过反向传播学习最优选择。该框架包含了现有的一些 NeSy 模型，同时增加了任意程度知识规范的可能性。此外，使用 G"odel 模糊逻辑和最近开发的 G"odel 技巧，生成的模型可以离散化为硬布尔值函数，且性能毫无损失。我们对此类模型进行了实验分析，在表格数据以及两个具有感知组件的 NeSy 任务上取得了优异的结果。
引用
@article{arxiv.2509.21663,
title = {Logic of Hypotheses: from Zero to Full Knowledge in Neurosymbolic Integration},
author = {Davide Bizzaro and Alessandro Daniele},
journal= {arXiv preprint arXiv:2509.21663},
year = {2026}
}