用于拓扑条件化约束满足的本体神经网络
机器学习
2026-01-12 v1 机器学习
摘要
神经符号推理系统在维持语义连贯性的同时满足物理与逻辑约束方面面临根本性挑战。基于我们先前关于本体神经网络的工作，我们提出了一个将拓扑条件化与梯度稳定机制相集成的增强框架。该方法采用 Forman-Ricci 曲率来捕捉图拓扑，采用 Deep Delta Learning 实现约束投影过程中稳定的秩一扰动，并采用协方差矩阵适应进化策略进行参数优化。跨多个问题规模的实验评估表明，该方法实现了 1.15 的平均能量降低，而基线值为 11.68，在约束满足任务中成功率达 95%。该框架表现出与随机种子无关的收敛性，并在多达二十个节点的问题上展现出良好的扩展行为，这表明拓扑结构能够在不牺牲可解释性或计算效率的前提下为基于梯度的优化提供信息。
引用
@article{arxiv.2601.05304,
title = {Ontology Neural Networks for Topologically Conditioned Constraint Satisfaction},
author = {Jaehong Oh},
journal= {arXiv preprint arXiv:2601.05304},
year = {2026}
}
备注
12 pages, 11 figures