2025AAAI-Efficient Rectification of Neuro-Symbolic Reasoning Inconsistencies by Abductive Reflection

文章主要内容与创新点总结

一、主要内容

本文聚焦神经符号（NeSy）人工智能系统中神经网络输出与领域知识不一致的问题，受人类认知反思机制启发，提出基于溯因学习（ABL）框架的溯因反思（ABL-Refl）方法。

1. 背景：NeSy AI模拟人类双过程认知，神经网络（系统1）负责快速模式识别，符号推理（系统2）利用领域知识处理复杂问题，但复杂任务中神经网络易产生与领域知识冲突的不可靠输出，现有方法或损失符号推理能力，或存在计算效率低的问题。
2. 方法设计：
   • 核心架构：在神经网络主体块后新增反思层，与输出层并行生成反思向量，该向量基于领域知识标记神经网络输出中的潜在错误。
   • 推理流程：通过反思向量剔除错误输出元素，仅对标记为错误的部分调用符号推理进行溯因修正，生成符合领域知识约束的最终输出。
   • 训练范式：结合有监督损失、一致性损失和反思规模损失，无需额外训练数据，可利用未标记数据，直接从领域知识中获取反思层训练信息。
3. 实验验证：在数独（符号型与视觉型）、图上最大团等NP难组合优化问题中开展实验，验证了方法在推理精度、训练资源需求、推理效率及泛化能力上的优势。