面向专家的神经符号推理解释

神经符号推理指的是将神经学习模型 f_θ 与符号知识表示 S 及逻辑推理算子 R 集成，以提升可解释性和推理能力。

形式上，将可微分的神经函数 f_θ 与符号结构 S（例如逻辑公式、知识图谱）结合，应用推理算子 R 于 S 以得出逻辑结论。

一个例子是逻辑张量网络（LTNs），它将逻辑规则作为可微分约束嵌入神经网络，从而实现带有符号知识的训练：

\[ L = L_{data} + \lambda L_{logic} \]

其中 \(L_{logic}\) 衡量符号规则的违反程度，\(\lambda\) 控制其权重。

神经符号推理解决了人工智能的核心挑战，如可解释性、知识整合以及跨符号与子符号表示的鲁棒泛化。

定义：
“神经符号推理是一种混合型人工智能方法，结合神经学习模型与符号知识表示及逻辑推理，以实现可解释且具泛化能力的推断。”

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.