发表机构
LIG; Univ. Grenoble Alpes; CNRS; Inria; Grenoble INP（格勒诺布尔信息学实验室; 格勒诺布尔阿尔卑斯大学; 法国国家科学研究中心; 法国国家信息与自动化研究所; 格勒诺布尔国立理工学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出DPNL及其近似版本ApproxDPNL，通过预言机引导的惰性搜索避免完整来源具体化，实现高效概率神经符号学习，并显著扩展可处理问题范围。
AI 中文摘要
概率神经符号学习（PNL）将神经预测与符号推理相结合，使得在没有中间概念标签的情况下，仅从最终输出监督中进行端到端学习成为可能。其核心挑战在于概率推理：最先进的方法通常依赖于具体化查询的逻辑来源，而这本身可能成为主要的计算瓶颈。我们提出了动态概率神经符号学习（DPNL），一种由预言机引导的框架，它避免了在推理前需要完整的具体化来源。DPNL 惰性地探索中间赋值空间，而预言机则解析那些已经可以证明产生或排除目标输出的整个区域。我们建立了确保可靠性和终止性的条件。ApproxDPNL 通过提前终止扩展了相同的搜索，同时保持对精确输出概率的认证界限，提供了受控的近似保证。预言机接口将推理与符号组件的表示解耦，使得在同一框架内能够进行针对特定问题的推理。在多个神经符号任务上的实验表明，DPNL 和 ApproxDPNL 显著扩展了概率神经符号推理可处理的问题实例范围。
英文摘要
Probabilistic Neurosymbolic Learning (PNL) combines neural predictions with symbolic reasoning, enabling end-to-end learning from final-output supervision without labels for intermediate concepts. A central challenge is probabilistic inference: state-of-the-art approaches often rely on materializing the logical provenance of a query, which can itself become a major computational bottleneck. We introduce Dynamic Probabilistic Neurosymbolic Learning (DPNL), an oracle-guided framework that avoids requiring complete provenance materialization before inference. DPNL lazily explores the space of intermediate assignments, while oracles resolve entire regions that can already be certified to produce or exclude the target output. We establish conditions ensuring soundness and termination. ApproxDPNL extends the same search with early termination while maintaining certified bounds on the exact output probability, providing controlled approximation guarantees. The oracle interface decouples inference from the representation of the symbolic component, enabling problem-specific reasoning within the same framework. Experiments on several neurosymbolic tasks show that DPNL and ApproxDPNL substantially extend the range of problem instances tractable by probabilistic neurosymbolic inference.
