LTLZinc：面向持续学习与神经符号时序推理的基准框架

神经符号人工智能旨在将神经网络架构与能够以人类可解释形式表示知识的符号方法相结合。持续学习关注于代理器能够随时间扩展其知识，同时避免遗忘先前学习的概念。目前大多数神经符号人工智能方法仅适用于静态场景，而在必要时序维度推理的具挑战性场景却鲜有探索。本文我们引入LTLZinc，一个可用于生成覆盖多种不同问题的数据集的基准框架，以便对神经符号和持续学习方法在时序与约束驱动维度上的表现进行评估。我们的框架从线性时序逻辑规范（覆盖MiniZinc约束）以及任意图像分类数据集中生成富有表现力的时序推理和持续学习任务。细粒度注释允许在同一生成数据集上进行多种神经和神经符号训练设置。我们对六个神经符号序列分类任务和四个类持续学习任务进行实验，表明时序学习与推理具有挑战性，同时凸显了当前最先进方法的局限性。我们发布LTLZinc生成器及十个即插即用任务，供神经符号和持续学习社区使用，旨在促进向统一时序学习与推理框架的研究。