Neuro-Symbolic Learning for Predictive Process Monitoring via Two-Stage Logic Tensor Networks with Rule Pruning
University of Parma(帕尔马大学);Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种神经符号学习方法,通过两阶段优化策略结合逻辑张量网络与规则剪枝,提升预测过程监控的准确性,尤其在合规约束下表现优异。
2026-03-27 cs.AI
Continual Reasoning: Non-Monotonic Reasoning in Neurosymbolic AI using Continual Learning
City, University of London(伦敦城市大学)
针对深度学习难以处理非单调推理的问题,提出将持续学习融入逻辑张量网络的持续推理方法,经实验验证可显著提升非单调推理任务准确率,在统计关系学习场景也有应用潜力。
2023-05-03 cs.AI cs.LG
Logic Tensor Networks
Sony Computer Science Laboratories Inc(索尼计算机科学实验室公司);Sony AI Inc(索尼人工智能公司);City, University of London(伦敦大学城市学院);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
人工智能代理需要从周围环境中学习,并对所学到的知识进行推理,以便做出决策。虽然从数据中学习的最新技术通常使用子符号分布式表示,但推理通常在更高的抽象级别上使用一阶逻辑语言进行知识表示是有用的。因此,将符号AI和神经计算结合到神经符号系统中的尝试正在增加。在本文中,我们提出了逻辑张量网络(LTN),这是一种神经符号形式主义和计算模型,通过引入称为Real Logic的多值、端到端可微分一阶逻辑作为深度学习的表示语言来支持学习和推理。我们表明,LTN提供了一个统一的语言规范和计算的几个AI任务,如数据聚类,多标签分类,关系学习,查询回答,半监督学习,回归和嵌入学习。我们使用TensorFlow 2通过一些简单的示例来实现和说明上述每个任务。关键词:神经符号人工智能,深度学习和推理,多值逻辑。
2021-12-23 cs.AI cs.LG
sLTN: Structural Logic Tensor Networks
Nokia Bell Labs(诺基亚贝尔实验室);Fondazione Bruno Kessler(布鲁诺·凯塞勒基金会)
本文提出LTN的扩展版本sLTN,将结构维度作为一等元素,实现时间、序列等结构约束的逻辑表达,完成其形式化与PyTorch实现,在时序推理示例中验证了框架有效性。
2026-08-12 cs.AI
Neuro-Symbolic Generative Art: A Preliminary Study
Adobe(奥多比公司);Georgia Tech(佐治亚理工学院);Facebook AI Research(Facebook人工智能研究院)
生成艺术方法有两类:神经的,其中训练深度模型以从数据分布中生成样本,以及符号或算法的,其中艺术家设计主要参数,并且自治系统在这些约束内生成样本。在这项工作中,我们提出了一个新的混合流派:神经符号生成艺术。作为初步研究,我们训练生成的深度神经网络的样本从符号的方法。我们通过人类研究表明,受试者发现最终的文物和创造过程中使用我们的神经符号的方法比符号的方法更有创造力的时间分别为61%和82%。
2020-07-04 cs.AI cs.CV cs.LG
Proof-Carrying Neuro-Symbolic Code
Southampton University(南安普顿大学);Heriot-Watt University(赫瑞瓦特大学)
该研究从神经与符号双视角介绍“带证明的神经符号代码”概念,解释其价值,概述该新领域的初步成功与挑战,为相关研究提供方向。
2025-04-16 cs.AI cs.LO cs.PL
A Neuro-vector-symbolic Architecture for Solving Raven's Progressive Matrices
IBM Research – Zurich(IBM苏黎世研究院);ETH Zürich(苏黎世联邦理工学院)
无论是深度神经网络还是符号人工智能,都没有达到人类所表达的那种智能。这主要是因为神经网络无法分解联合表示以获得不同的对象(所谓的绑定问题),而符号人工智能则遭受详尽的规则搜索等问题。这两个问题在神经符号人工智能中仍然很突出,其目的是将两种范式中的最佳结合起来。在这里,我们表明,这两个问题可以解决我们提出的神经矢量符号架构(NVSA),利用其强大的运营商的高维分布式表示,作为一个共同的语言之间的神经网络和符号AI。NVSA的有效性通过求解Raven渐进矩阵数据集来证明。与最先进的深度神经网络和神经符号方法相比,NVSA的端到端训练在RAVEN数据集中达到了87.7%的平均准确率,在I-RAVEN数据集中达到了88.1%的新记录。此外,与神经符号方法中的符号推理相比,NVSA的概率推理在分布式表示上具有更便宜的操作,快了两个数量级。我们的代码可在https://github.com/IBM/neuro-vector-symbolic-architectures上获得。
2023-03-03 cs.AI cs.CV cs.LG
Compliance-Aware Predictive Process Monitoring: A Neuro-Symbolic Approach
University of Parma(帕尔马大学);Eindhoven University of Technology(埃因霍温理工大学);RWTH Aachen University(亚琛工业大学)
本文提出一种神经符号方法,结合逻辑张量网络注入过程知识,提升预测过程监控的合规性和准确性。
2026-03-31 cs.AI
A Semantic Framework for Neuro-Symbolic Computing
Simon Fraser University(西蒙菲莎大学);City, University of London(伦敦城市大学)
针对神经符号AI领域缺乏通用编码定义以实现方法理论比较的问题,本文提出语义框架,给出语义编码的形式化定义并验证其涵盖多种现有方法,为未来编码提供指导并助力相关理论讨论。
2024-11-27 cs.AI
From Statistical Relational to Neuro-Symbolic Artificial Intelligence
KU Leuven, Department of Computer Science(比利时鲁汶大学)
神经符号和统计关系人工智能都集成了逻辑推理的学习框架。这项调查确定了这两个领域在七个不同方面的几个相似之处。这些不仅可以用来描述和定位神经符号人工智能方法,而且还可以确定一些进一步研究的方向。
2020-03-24 cs.AI
Integrating Background Knowledge in Medical Semantic Segmentation with Logic Tensor Networks
Department of Mathematics University of Padua(数学系 帕尔马大学)
本文提出利用逻辑张量网络整合医学背景知识,提升医学图像语义分割性能,尤其在数据稀缺时表现更优。
2025-09-26 cs.CV cs.LG
Conceptual Views of Neural Networks: A Framework for Neuro-Symbolic Analysis
本文提出概念视角框架,用于解释神经网络,通过实验展示其在模型比较和规则学习中的有效性。
2026-03-15 cs.AI cs.CV cs.LG
ViLLa: A Neuro-Symbolic approach for Animal Monitoring
ViLLa提出神经符号框架,整合视觉检测、语言解析与逻辑推理,实现可解释的动物监测,能准确回答图像中动物数量、存在性和位置等查询。
2025-06-12 cs.AI cs.CV
logLTN: Differentiable Fuzzy Logic in the Logarithm Space
Sony AI(索尼人工智能研究所);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
本文提出logLTN,一种在对数空间中端到端grounding公式的可微模糊算子配置,通过新颖的语义和优化改进,在有效性、数值稳定性和泛化能力上超越了现有方法。
2023-06-26 cs.AI
Improving Interpretability and Accuracy in Neuro-Symbolic Rule Extraction Using Class-Specific Sparse Filters
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出一种新颖的稀疏损失函数,通过在CNN训练期间实现类特定滤波器二值化以最小化信息损失,从而改进神经符号规则提取的可解释性与准确性,并在准确率和规则集大小上超越SOTA。
2025-01-28 cs.AI cs.CV
Neuro-Symbolic Scene Graph Conditioning for Synthetic Image Dataset Generation
Politecnico di Milano(米兰理工大学)
针对合成数据训练模型性能不足的问题,提出用神经符号场景图条件生成方法提升合成图像数据质量,用于数据集增强可显著提升场景图生成模型的召回率指标,为缓解数据稀缺提供新路径。
2025-03-21 cs.AI cs.CV cs.LG
Statistical relational learning and neuro-symbolic AI: what does first-order logic offer?
University of Edinburgh(爱丁堡大学)
本文以非技术方式综述了使用一阶逻辑表示概率知识的逻辑与哲学基础,旨在为机器学习、逻辑学及统计关系学习等领域的研究者理清有限与无限、主观概率与随机世界语义的差异及其理论意义。
2023-06-08 cs.AI cs.LO
Learning Symbolic Constraint Representations from Examples: A Neuro-Symbolic Approach
Simula Research Laboratory(西穆拉研究实验室);Microsoft(微软);LISN, CNRS, Paris-Saclay University(法国国家科学研究中心巴黎-萨克雷大学LISN实验室)
本文提出一种神经符号框架,利用神经Oracle Transformer模拟用户响应并与FastCA引擎交互,从示例中自动学习约束网络,减少人工参与,实现数据驱动模式识别与符号推理的有效结合。
2026-09-14 cs.AI
We'll Fix it in Post: Improving Text-to-Video Generation with Neuro-Symbolic Feedback
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出NeuS-E框架,通过神经符号反馈提升文本到视频生成的语义和时间一致性,实验显示其在多种提示下提升了40%的对齐度。
2026-04-03 cs.AI cs.CV
Neuro-Symbolic Geometric Abstraction (NeuSOGA): From Observations to Symbolic Mathematical Representations
University of Hull(赫尔大学);Xiamen University(厦门大学);Chinese Academy of Sciences(中国科学院)
本文提出NeuSOGA框架,结合多种技术将观测转化为符号数学表示,在多类数据集上验证其能保留几何拓扑结构,为观测到符号提供可解释路径。
2026-09-03 cs.AI cs.CV cs.GR
Single Domain Generalization in Diabetic Retinopathy: A Neuro-Symbolic Learning Approach
Impact Lab, Arizona State University(Impact实验室,亚利桑那州立大学)
针对医学影像单域泛化难题,提出融合视觉Transformer与专家符号推理的KG-DG框架,通过临床特征融合与域嵌入KL散度最小化实现跨域泛化,在四个DR数据集上准确率显著提升,验证了神经-符号集成的有效性。
2025-09-03 cs.AI cs.CV
BiNSGPS: Geometry Problem Solving via Bidirectional Neuro-Symbolic Interaction
MAIS, Institute of Automation of Chinese Academy of Sciences(自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
提出BiNSGPS框架,通过多模态大语言模型顾问与符号求解器之间的双向神经符号交互,动态纠正不一致的形式表示或提出辅助假设,以解决几何问题中的早期错误和符号冲突。
2026-06-03 cs.AI
Mapping the Neuro-Symbolic AI Landscape by Architectures: A Handbook on Augmenting Deep Learning Through Symbolic Reasoning
University of Toronto(多伦多大学);Vector Institute(矢量研究所);University of Edinburgh(爱丁堡大学);Samsung AI Center(三星人工智能中心)
本综述首次按架构将神经符号AI技术划分为框架族,关联优势与架构,说明黑盒式符号方法增强神经网络的方式,助力研究者定位相关框架。
2024-10-29 cs.AI
Neuro-Symbolic Artificial Intelligence: Current Trends
Kansas State University(堪萨斯州立大学)
神经符号人工智能--符号方法与基于人工神经网络的方法的结合--有着悠久的历史。在这篇文章中,我们提供了一个结构化的概述目前的趋势,通过分类最近的出版物从关键会议。这篇文章的目的是作为一个方便的起点,研究一般性的主题。
2021-05-14 cs.AI cs.LG
Taxonomic Networks: A Representation for Neuro-Symbolic Pairing
School of Interactive Computing(交互计算学院);Georgia Institute of Technology(佐治亚理工学院);College of Computing and Informatics(计算与信息学院);Drexel University(德雷塞尔大学)
本文提出神经符号对概念及分类网络表示,构建并评估了可互换的神经与符号方法,为未来整合神经与符号计算的系统奠定基础。
2025-05-30 cs.AI
Zero-shot Sequential Neuro-symbolic Reasoning for Automatically Generating Architecture Schematic Designs
University of Washington(华盛顿大学);WinnDevelopment(温恩开发公司)
本研究提出一种基于GPT-4的零样本序列神经-符号推理方法,结合生成式AI与数学规划求解器,模拟传统设计流程自动生成建筑方案设计,无需额外训练,经真实建筑对比验证有效,有望变革建筑方案设计领域。
2024-01-25 cs.AI cs.CV cs.GR
Formal Explanations for Neuro-Symbolic AI
Monash University(莫纳什大学)
本文针对神经符号AI系统行为难以解释的问题,提出一种基于形式化溯因解释的分层解释方法,先解释符号组件以确定需解释的神经输入子集,再独立解释各神经输入,实验证明其在解释规模、时间、训练效率和模型大小等方面优于纯神经系统。
2024-10-18 cs.AI cs.LG cs.LO
Neuro-Symbolic Verification of Deep Neural Networks
Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);TU Darmstadt(达姆施塔特工业大学)
形式化验证已成为确保深度神经网络安全性和可靠性的有力手段。然而,目前的验证工具仅限于少数属性,这些属性可以表示为网络输入和输出的一阶约束。虽然对抗鲁棒性和公平性属于这一类,但许多现实世界的属性(例如,“自动驾驶车辆必须在停车标志前停车”)仍然在现有验证技术的范围之外。为了减轻这种严重的实际限制,我们引入了一种新的框架来验证神经网络,命名为神经符号验证。其关键思想是使用神经网络作为逻辑规范的一部分,从而能够验证各种复杂的真实世界属性,包括上面的属性。此外,我们演示了如何神经符号验证可以实现现有的验证基础设施之上的神经网络,使我们的框架很容易访问的研究人员和从业者一样。
2022-03-02 cs.AI cs.LG cs.LO
Image Manipulation via Multi-Hop Instructions -- A New Dataset and Weakly-Supervised Neuro-Symbolic Approach
Indian Institute of Technology Delhi(印度理工学院德里分校);IBM Research AI(IBM研究院人工智能实验室)
本文提出名为NeuroSIM的弱监督神经符号系统,通过将多跳自然语言指令解析为基于DSL的符号程序,在多物体场景中执行复杂推理以实现图像操作,并构建了新数据集,实验证明其性能优于使用监督数据的SOTA基线。
2023-10-24 cs.AI cs.CL cs.CV
Neuro-Symbolic Continual Learning: Knowledge, Reasoning Shortcuts and Concept Rehearsal
University of Trento(特伦托大学);University of Pisa(比萨大学);University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学)
针对神经符号持续学习中现有方法易灾难性遗忘、易出现推理捷径的问题,提出概念级持续学习策略COOL,在三个新基准上实现了其他策略无法达到的持续高性能。
2023-12-19 cs.AI cs.LG
Reduced Implication-bias Logic Loss for Neuro-Symbolic Learning
Nanjing University(南京大学)
本文针对神经符号学习中模糊逻辑算子引起的蕴含偏差,提出减少蕴含偏差的逻辑损失(RILL),通过转换损失函数提升性能,尤其在知识库不完整和标注数据不足时表现更稳健。
2023-09-25 cs.AI cs.LG cs.LO
A Survey on Verification and Validation, Testing and Evaluations of Neurosymbolic Artificial Intelligence
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);Embry-Riddle Aeronautical University(安柏瑞德航空大学);University of Colorado, Boulder(科罗拉多大学博尔德分校)
本综述探讨了神经符号AI如何利用符号AI简化次符号AI的测试评估(T&E)与验证确认(V&V)过程,分析了两种分类法及相关算法,评估了现有T&E和V&V方法的适用性,指出符号AI在验证次符号模型预测方面潜力巨大,是安全可信AI的重要研究方向。
2024-01-10 cs.AI
Neuro-Symbolic Decoding of Neural Activity
Columbia University(哥伦比亚大学);Stanford University(斯坦福大学)
NEURONA通过结合符号推理与fMRI基础,提升神经活动解码的准确性和泛化能力。
2026-02-22 cs.AI cs.LG q-bio.NC
Neuro-symbolic Commonsense Social Reasoning
University College London(伦敦大学学院)
社会规范是所有人类社会互动的基础,但对它们进行形式化和推理仍然是人工智能系统的主要挑战。我们提出了一个新颖的系统,用于从社会化学101数据集中获取自然语言中的社会经验规则(ROT),并将其转换为一阶逻辑,其中使用神经符号定理证明器执行推理。我们通过几个步骤来实现这一点。首先,ROTs被转换成抽象意义表示(AMR),这是一个图形表示的概念在一个句子中,并对齐AMR与RoberTa嵌入。然后,我们通过一种新的算法生成AMR的替代简化版本,重新组合和合并嵌入,以增加对不同文本措辞和不正确AMR解析的鲁棒性。AMR然后被转换成一阶逻辑,并查询与神经符号定理证明。本文的目标是开发和评估一种神经符号方法,该方法以逻辑形式对社会情境进行显式推理。
2023-03-14 cs.AI
LTLZinc: a Benchmarking Framework for Continual Learning and Neuro-Symbolic Temporal Reasoning
University of Pisa(比萨大学);University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);KU Leuven(鲁汶大学);University of Florence(佛罗伦萨大学);University of Siena(锡耶纳大学)
本文提出 LTLZinc 基准框架,基于 LTL 与 MiniZinc 约束及图像数据集生成时间推理和持续学习任务,实验表明现有方法仍存在明显局限。
2025-07-23 cs.AI
A Neuro-Symbolic Framework for Sequence Classification with Relational and Temporal Knowledge
University of Pisa(比萨大学);University of Modena and Reggio Emilia(摩德纳和雷吉奥艾米利亚大学);University of Florence(佛罗伦萨大学);University of Siena(锡耶纳大学)
本文提出一种结合关系与时间知识的神经符号序列分类框架,针对不同时间步需使用不同知识且含时间关系的知识驱动序列分类问题,通过新基准对比神经符号与纯神经架构,揭示了现有神经符号方法的不足。
2025-05-08 cs.AI
pix2rule: End-to-end Neuro-symbolic Rule Learning
Imperial College London, United Kingdom(伦敦帝国理工学院)
人类有能力将低级视觉输入与高级符号推理无缝结合起来,通常以识别对象,学习它们之间的关系和应用规则的形式。神经符号系统的目标是为视觉处理和抽象推理分别带来一个统一的方法,以连接主义和逻辑为基础的原则。本文提出了一种完整的神经符号方法,用于将图像处理为对象,以端到端的方式学习关系和逻辑规则。主要贡献是深度学习架构中的可区分层,可以通过修剪和阈值化来提取符号关系和规则。我们评估我们的模型使用两个数据集:子图同构任务的符号规则学习和图像分类域的复合关系的学习对象,关系和规则。我们证明了我们的模型超越了最先进的符号学习器,并且优于深度关系神经网络架构。
2022-02-28 cs.AI cs.LG
Towards Efficient Neuro-Symbolic AI: From Workload Characterization to Hardware Architecture
Georgia Institute of Technology(佐治亚理工学院);University of California, Berkeley(加利福尼亚大学伯克利分校);IBM Research(IBM研究院)
本文分析了神经符号AI的工作负载特征,揭示其在现成硬件上的效率瓶颈,并提出跨层优化方案与向量符号架构硬件加速案例以提升性能。
2024-09-23 cs.AI cs.AR
NeuroQL: A Neuro-Symbolic Language and Dataset for Inter-Subjective Reasoning
OrgD. Labs(OrgD实验室)
我们提出了一个新的人工智能任务和基线解决方案的主体间推理。我们将主观间信息定义为可能由不同方共享的客观和主观信息的混合物。例如,IR(信息检索)系统报告的商品及其客观属性,需要与在线论坛的主观用户评论进行交叉引用。对于一个人工智能系统来说,要成功地对两者进行推理,它需要能够将客观事实的符号推理与主观用户评论中的共识结合起来。为此,我们引入NeuroQL数据集和DSL(特定领域语言)作为此问题的基线解决方案。NeuroQL是一种神经符号语言,它扩展了与神经原语的逻辑统一,用于提取和检索。它可以作为一个目标,用于将主体间问题(以自然语言提出)自动翻译成可以回答它们的神经符号代码。
2023-03-13 cs.AI cs.CL cs.PL
Can VLMs Reason Robustly? A Neuro-Symbolic Investigation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Edinburgh(爱丁堡大学)
研究视觉语言模型在分布偏移下的推理稳健性,提出结合VLM概念识别与电路符号推理的神经符号方法VLC,在三个视觉演绎推理任务上实现更高的分布外准确率。
2026-07-01 cs.AI cs.CV cs.LG
An Empirical Evaluation of Neural and Neuro-symbolic Approaches to Real-time Multimodal Complex Event Detection
the University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文实证比较端到端神经、两阶段概念神经与符号有限状态机神经符号架构在多模态复杂事件检测中的表现,证明神经符号方法在时间推理上显著更优。
2024-03-03 cs.AI
NeSyCat: A Monad-Based Categorical Semantics of the Neurosymbolic ULLER Framework
University of Osnabrück(奥斯纳布吕克大学)
NeSyCat基于单子构建神经符号ULLER框架的范畴语义,实现三种不同语义的统一,并支持模块化添加新语义及系统翻译。
2026-04-27 cs.AI cs.LO math.CT
Neuro-Symbolic Query Optimization in Knowledge Graphs
Technical University of Munich(慕尼黑工业大学);Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS(弗劳恩霍夫智能分析与信息系统研究所)
本章提出神经符号查询优化器,融合符号推理与神经计算以改进知识图谱查询执行计划的选择,并分析现有神经组件及实际部署中的挑战。
2024-11-21 cs.AI cs.DB
Neuro-Symbolic AI for Military Applications
Howard University(霍华德大学);College of Engineering and Architecture(工程与建筑学院);DoD Center of Excellence in Artificial Intelligence and Machine Learning(美国国防部人工智能与机器学习卓越中心);U.S. Army Research Laboratory(美国陆军研究实验室)
本文全面探讨了Neuro-Symbolic AI在军事领域的应用潜力,分析了其结合神经网络与符号推理在改善决策、情报分析及强化自主系统方面的优势,并讨论了相关的伦理、战略和技术考量。
2024-08-24 cs.AI
Hybrid Neuro-Symbolic Models for Ethical AI in Risk-Sensitive Domains
Independent Researcher USA Email(独立研究者)
本文提出混合神经符号模型,用于在风险敏感领域实现伦理AI,通过结合神经网络与符号推理,提升AI的可解释性和合规性。
2025-11-20 cs.AI
Natlog: a Lightweight Logic Programming Language with a Neuro-symbolic Touch
University of North Texas(北德克萨斯大学)
我们介绍Natlog,一个轻量级的逻辑程序设计语言,共享Prolog的统一驱动的执行模型,但具有简化的语法和语义。我们的概念验证Natlog实现紧密嵌入在基于Python的深度学习生态系统中,专注于基础术语数据集的内容驱动索引。作为我们的符号索引算法的覆盖,相同的功能可以委托给神经网络,为Natlog的解析引擎提供基础事实。我们的开源实现可以在https://pypi.org/project/natlog/上以Python包的形式获得。
2021-09-17 cs.AI cs.LG cs.LO
Sample-efficient Neuro-symbolic Proximal Policy Optimization
Dept. of Computer Science, University of Verona(威尼斯大学计算机科学系)
本文提出神经符号扩展的近端策略优化方法,通过将简单实例中学习的部分逻辑策略规范用于指导更复杂的环境学习,提升了在稀疏奖励领域中的学习效率和回报率。
2026-04-28 cs.AI
Constructing a Neuro-Symbolic Mathematician from First Principles
Keqin Xie
本文提出Mathesis架构,通过神经符号方法将数学状态编码为超图,并利用可微逻辑引擎实现逻辑一致性与能量最小化,以提升复杂推理能力。
2025-12-31 cs.AI
Vehicle: Bridging the Embedding Gap in the Verification of Neuro-Symbolic Programs
University of Western Australia(西澳大利亚大学);Well-Typed(Well-Typed公司);University of Strathclyde(思克莱德大学);Heriot-Watt University(赫瑞-瓦特大学);University of Birmingham(伯明翰大学)
本文提出 Vehicle 验证条件语言,通过通用分解与定制类型化编译流程,弥合神经符号程序验证中的嵌入鸿沟,并成功验证神经网络自动驾驶汽车的安全性。
2025-06-06 cs.AI
A Fully Spectral Neuro-Symbolic Reasoning Architecture with Graph Signal Processing as the Computational Backbone
Andrew Kiruluta(独立研究者)
本文提出一种完全谱域的神经符号推理架构,以图信号处理为核心主干,将逻辑实体和关系编码为图信号并通过可学习谱滤波器与谱规则落地实现推理,在多个基准上提升了逻辑一致性、可解释性和计算效率。
2025-08-19 cs.AI
Declarative Design of Neural Predicates in Neuro-Symbolic Systems
TU Delft(代尔夫特理工大学);KU Leuven(鲁汶大学)
针对神经符号系统因神经谓词的函数性质而缺乏声明性的问题,提出并实现了完全声明式神经谓词的通用框架,在保留学习与推理能力的同时,支持仅经单一查询类型训练即可回答任意查询。
2025-01-30 cs.AI
Probabilistic Extension of Neuro-Symbolic AGI Robots based on Belnap's Typed Intensional FOL
ISRST(未知(可能是某个特定名称的机构))
研究基于$IFOL_B$的神经符号人工智能,通过概率计算扩展其认知能力,引入全局和局部对称变换,利用神经网络基于香农最大信息熵计算概率密度函数$KI$,实现对未知句子概率计算及相关实时决策。
2026-07-21 cs.AI
ProofNet++: A Neuro-Symbolic System for Formal Proof Verification with Self-Correction
Austin, USA(美国奥斯汀)
ProofNet++是一个结合LLM与形式化验证、自我修正机制的神经符号框架,通过符号证明树监督和强化学习循环提升自动定理证明的准确性与可验证性。
2025-05-30 cs.AI
Neuro-Symbolic Entropy Regularization
University of California, Los Angeles(加州大学洛杉矶分校)
在结构化预测中,目标是联合预测许多输出变量,这些变量一起编码结构化对象-图中的路径,实体关系三元组或对象的排序。如此大的输出空间使得学习变得困难,并且需要大量的标记数据。不同的方法利用不同的监督来源。一种方法--熵正则化--假定决策边界应该位于低概率区域。它从未标记的例子中提取监督,但对输出空间的结构保持不可知。相反,神经符号方法利用的知识是,并非每个预测都对应于输出空间中的有效结构。然而,它们并没有进一步限制学习的输出分布。本文介绍了一个框架,统一这两种方法。我们提出了一个损失,神经符号熵正则化,鼓励模型自信地预测一个有效的对象。它是通过将熵正则化限制在仅有效结构上的分布而获得的。当输出约束被表示为易处理的逻辑电路时,该损耗被有效地计算。此外,它与其他消除无效预测的神经符号损失无缝集成。我们证明了我们的方法在一系列半监督和全监督结构化预测实验中的有效性,我们发现它会导致模型的预测更准确,更有可能是有效的。
2022-01-25 cs.AI cs.LG cs.LO