通过将描述逻辑本体编译为概率电路迈向神经符号分类及超越
人工智能
2026-01-22 v1
摘要
背景：神经符号方法通过逻辑约束增强了神经网络分类器的可靠性，但它们缺乏对本体的原生支持。目标：我们旨在开发一种神经符号方法，该方法能够可靠地输出与形式化领域特定知识的描述逻辑本体相一致的预测。方法：我们将描述逻辑本体编码为电路，这是一种支持查询和变换的可执行且可微的前馈计算图。我们表明该电路可用于 (i) 生成捕捉本体语义的合成数据集；(ii) 在 GPU 上高效执行演绎推理；(iii) 实现其预测与本体中定义的知识近似或可证明一致的神经符号模型。结果：我们表明使用该电路生成的合成数据集在定性上捕捉了本体的语义，同时对包括神经网络在内的机器学习分类器构成了挑战。此外，我们表明将本体编译为电路是一种可扩展演绎推理的有前景的方法，其运行时间比现有推理器快达三个数量级。最后，我们表明与神经网络基线相比，我们的神经符号分类器能够可靠地产生一致的预测，同时保持有竞争力的性能甚至超越它们。结论：通过将描述逻辑本体编译为电路，我们获得了深度学习与知识表示领域之间更紧密的整合。我们表明单一的电路表示可用于解决与实际应用密切相关的各种挑战性任务。
引用
@article{arxiv.2601.14894,
title = {To Neuro-Symbolic Classification and Beyond by Compiling Description Logic Ontologies to Probabilistic Circuits},
author = {Nicolas Lazzari and Valentina Presutti and Antonio Vergari},
journal= {arXiv preprint arXiv:2601.14894},
year = {2026}
}
备注
Manuscript under review