神经符号处理指的是将神经网络学习与符号知识表示及逻辑推理相结合的方法。
形式上，它将可微分的神经模型 f_θ 与符号结构 S 集成，其中 S 由用于推理的形式表达式、规则或图组成。
例如，可微分逻辑模块（如逻辑张量网络）可以嵌入神经网络中，以确保训练过程中的逻辑一致性。
一种典型的方法将学习表述为损失函数 L 的优化，该损失函数基于神经预测和符号约束：
\[ L = L_{neural} + \lambda L_{symbolic} \]
其中 \( L_{symbolic} \) 衡量符号规则的违反程度，\( \lambda \) 是权重参数。
神经符号处理解决了人工智能系统中的可解释性、泛化能力和知识整合等挑战。
定义：
“神经符号处理是一种混合型人工智能方法，将神经学习模型与符号知识及逻辑推理结合，以实现可解释且具泛化能力的智能。”
来源：
Garcez, A. d’Avila, Lamb, L. C., & Gabbay, D. M. (2019). Neural-Symbolic Computing: An Effective Methodology for Principled Integration of Machine Learning and Reasoning. Frontiers in Artificial Intelligence and Applications, 320.