神经符号扩散模型
机器学习
2025-10-31 v2
摘要
神经符号(NeSy)预测模型结合神经感知与符号推理，以解决视觉推理等任务。然而，标准 NeSy 预测模型假设其提取符号之间条件独立，这限制了其建模交互和不确定性的能力——常导致预测过于自信且在跨域泛化性差。为克服独立性假设的局限性，我们提出神经符号扩散模型(NeSyDM)，一种新的 NeSy 预测模型类，利用离散扩散建模符号之间的依赖关系。我们的ethods 重用 NeSy 预测模型在扩散过程每个步骤中的独立性假设，实现可扩展学习，同时捕获符号依赖关系和不确定性量化。在包括高维视觉路径规划和基于规则的自动驾驶等多个合成和真实世界基准测试中，NeSyDM 在 NeSy 预测器中实现了最高准确率，并表现出强大的校准能力。
引用
@article{arxiv.2505.13138,
title = {Neurosymbolic Diffusion Models},
author = {Emile van Krieken and Pasquale Minervini and Edoardo Ponti and Antonio Vergari},
journal= {arXiv preprint arXiv:2505.13138},
year = {2025}
}
备注
Accepted to NeurIPS 2025