★ 3
Predicate Neuron：可微谓词神经元将一阶逻辑量化引入神经网络
论文提出 Native Predicate Neuron，一种可微逻辑推理神经模块，通过一阶逻辑量化让标准网络具备符号推理能力。该神经元用单一可训练参数在运算间切换，训练时执行硬逻辑操作同时保持可反传。在 MNIST、Wikitext 上跨全连接、卷积、循环与 Transformer 架构验证，可…
arXiv cs.LG3 天前
#神经符号
共 24 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
神经符号论证推理系统 NARS 检测说服力
研究者提出神经符号论证推理系统 NARS，结合检索增强的迭代 LLM 推理与渐进论证语义，从 ChangeMyView 讨论中检测说服力。团队构建 CMV2BAS 数据集，NARS 在最佳配置下 F1 达 0.57，优于零样本 Qwen3.6:27B 与 GPT-oss:20B，并公开数据集与框架。
arXiv NLP19 天前
★ 3
ACED-Bench：评估 LLM 智能体获取因果证据能力
论文提出 ACED-Bench，一个神经符号基准，用于评估 LLM 智能体能否主动设计实验、解读有限证据并做出因果决策。基准将自然语言场景与隐藏概率图模型分离，主榜 ACED-CORE 含 180 项任务，评估七个当代 LLM 与两个早期模型，发现智能体常在错误干预、丢失证据或证据充分后仍不停止等…
arXiv cs.AI19 天前
★ 3
研究提出统一几何状态下的密集神经符号推理
论文提出密集神经符号耦合框架，让神经引导与符号执行共享类型化状态，在每步搜索中通过可执行动作通信。实例化为OmniGeo统一求解平面、解析与立体几何，配合Claude Sonnet 4.6在FormalGeo7K等基准达90.8%宏平均，并解出IMO-AG-30中的21/30题。
arXiv cs.AI27 天前
★ 3
Law&Order：税法自动形式化框架
研究提出Law&Order，一个神经符号框架，可自动将税表和填报说明形式化为可执行符号程序。该方法建立法律与逻辑之间的结构对应和指称对应，结合LLM合成、单元格级验证和迭代局部错误修复。在51份独立编写的留出TaxCalcBench申报表上，Law&Order达到100%单元格级和表格级准确率，而…
arXiv cs.AI28 天前
★ 3
研究：神经符号路由让边缘设备可靠推理
论文提出神经符号路由器，将查询分类并分派给最便宜的正确答案求解器，结构化任务交给确定性引擎，小语言模型仅处理开放式应用题。路由逻辑通过L*语法推断算法学习确定性有限自动机，以SLM为成员预言机。在树莓派4B上，学习路由达到100%路由准确率与98.3%总体准确率，远高于Program-of-Tho…
arXiv cs.AI33 天前
★ 3
LogicTrack：用形式逻辑求解器审计推理链
论文提出LogicTrack神经符号框架，将LLM的每一步推理自动形式化为符号表示，并用自动定理证明器验证，解决模型通过逻辑缺陷链得出正确答案的问题。框架引入基于求解器的回溯奖励（SBR）指导推理时树搜索，并可生成SFT数据让模型内化逐步审计能力。在8个推理基准、7个LLM上验证了推理链可验证性与…
arXiv cs.AI42 天前
★ 3
论文提出全可微神经软符号框架用于感知任务规划
论文提出一种全可微的神经软符号框架，将视觉感知与任务规划纳入同一计算图，用连续软符号状态与可微 soft-T_P 转移算子保留感知不确定性。在 Blocksworld 上解决 40/40 LatPlan-40 与 596/600 PlanBench-600 任务，感知不确定性消融实验成功率从 59…
arXiv cs.AI42 天前
★ 3
可扩展神经符号模型提出生成式可解释性范式
论文主张从事后可解释性转向生成式可解释性，即模型推理过程原生暴露语义上有意义、可进行因果干预的检查点。作者论证了该范式相对其他可解释性研究范式的优势，并提出神经符号模型作为具体实现。
arXiv cs.LG48 天前
★ 3
AGENTSCOPE：智能体失败的结构化诊断
提出神经符号方法AGENTSCOPE，通过行为抽象和神经不变量诊断智能体失败。在公开数据集上显著优于现有方法，实现有效、可靠且可解释的故障定位。
arXiv cs.AI60 天前
★ 3
ProofEvolve：神经符号进化自动定理证明
ProofEvolve结合神经模型和符号Lean内核，通过进化机制扩展证明知识边界。它利用行为索引档案和模式库，保留部分证明成果，在多个Lean基准上取得最高平均求解率，展示了递归自改进的潜力。
arXiv cs.AI66 天前
★ 2
Lighthouse：基于民权档案的可信历史探索数字助手
论文介绍数字助手 Lighthouse，用于探索美国民权时期尤其是南卡罗来纳州的历史资料。系统以内容可信与降低生成答案潜在伤害为设计原则，采用神经符号方法结合大语言模型与规则符号求解。系统接入逾 1.8 万份一手资料，并用客观题与专家聚合的主观题数据集进行评估。
arXiv NLP10 天前
★ 2
神经符号 NLI：用句级监督学习命题级链接
研究提出可训练的原子链接器，在无原子对标注的情况下，利用句级 NLI 标签联合预测链接存在性、来源选择与关系类型，用于 AMR 到 SAT 的神经符号推理。在 SNLI、SICK、MNLI 上较固定链接器基线提升 8.14-27.09 个百分点。
arXiv NLP19 天前
★ 2
CRISP：子句重构的可解释神经符号框架
论文提出 CRISP 框架，将二值神经教师模型的末层激活向量重构为 Tsetlin Machine 子句，从而给出从命名输入阈值到命名教师神经元的符号化追踪。在多个图像基准上验证，四分之一一位布尔化在 SVHN 上取得 87.52% 的重构保真度。
arXiv cs.LG28 天前
★ 2
COFFEE：离散扩散的序列级引导框架
离散扩散模型并行生成序列，但用序列级目标引导时因未解析token组合爆炸而难以实现。论文提出COFFEE，将序列依赖与目标分离，用无目标载体构建联合模型，并用编译有限状态模型记录组合偏好。该方法无需重训练即可支持硬约束与软目标，在符号、语言和生物基准上取得良好控制效果。
arXiv cs.AI33 天前
★ 2
多智能体 LLM 协调的认知概率模型
论文指出多智能体大模型虽广泛应用，但理论基础薄弱，存在缺乏社交智能、缺少协调机制、涌现行为未知等问题。作者提出 EPLA（认知概率语言智能体），一种在不确定性下进行多智能体协调的神经符号架构，由符号守卫提供结构化诊断反馈并控制 LLM 生成类型化动作的执行，并通过认知彩票八卦模型形式化认知层。
arXiv cs.AI38 天前
★ 2
Signal2Symbol：可解释生理时序异常检测
论文提出 Signal2Symbol 神经符号框架，先用 VQ-VAE 码本或 SAX 将 ECG/EEG 转为符号序列，再通过稀有项集挖掘评分异常，并用 Allen 区间代数关联异常区间。框架引入基于形式概念分析的稀有时间概念格，将局部检测压缩为可解释的时序符号异常族。在 MIT-BIH、PTB…
arXiv cs.LG39 天前
★ 2
部分可观测下的神经符号动作模型学习
论文提出NeSyAM，一种在部分可观测条件下学习动作模型的神经符号建模范式，解决现有方法依赖完整可观测轨迹的局限。研究还给出统一变分框架分析现有方法局限，并在六个视觉规划域、三种观测机制上验证其能稳定恢复真实动作模型的相关部分。
arXiv cs.AI40 天前
★ 2
代码中的证明：真理机器如何改变数学与AI
一篇书评/文章探讨形式化验证工具（如证明助手）如何同时推动数学研究与 AI 推理能力的发展。核心在于机器可验证的证明为 AI 的数学推理提供了可靠基准，可能成为连接形式化数学与神经符号 AI 的桥梁。
Hacker News – AI42 天前
★ 2
神经符号强化学习中动作前置条件的三种注入策略
论文将智能体的行为知识形式化为结构动作上的前置条件贝叶斯网络，并研究三种注入强化学习循环的位置：符号验证器、符号执行器与符号学习器。在MiniGrid与Fetch两个相反范式的基准上比较解质量、样本效率与可追溯性。MiniGrid上符号执行器以98.2%解质量超过PPO+RND基线的88.8%。
arXiv cs.LG47 天前
★ 2
自演示提升LLM模式本体映射效果
论文针对企业知识表示中异构关系数据库向统一本体映射的难题，指出直接使用一次性提示或多阶段流水线的LLM表现不佳。作者提出自演示驱动方法，结合神经符号任务分解与自动生成模式引导的依赖感知演示。在RODI基准三个最难场景上F1提升25个百分点，达到当前最优。
arXiv cs.AI48 天前
★ 2
从示例学习符号约束表示：一种神经符号方法
针对约束获取（CA）依赖与人类专家大量交互、成本高昂的问题，研究提出神经符号框架，引入神经Oracle Transformer模型模拟用户响应并泛化概念知识。学习到的Oracle与专用CA引擎FastCA交互，将响应精炼为可靠、一致且可解释的约束网络。该方法无需先验领域知识即可从数据中恢复结构化符…
arXiv cs.AI49 天前
★ 2
原型概念的软符号接地
神经符号模型常仅以最终标签监督，导致中间概念未被观测，出现“推理捷径”。研究提出Soft-PNet，将概念接地重构为在预计算可行符号解缓存上的Metropolis游走，由每个概念单个标注锚点构建的原型分布引导，并以统一的KL目标训练。在MNIST-EvenOdd、Visual Sudoku和Kan…
arXiv cs.AI49 天前
★ 2
EduRiskX：神经符号框架预测学业风险
EduRiskX结合时间Transformer与F-Logic符号推理，预测在线教育学生学业风险，实现早期检测与可解释性。在OULAD数据集上，学期末准确率0.900，平均早期检测周9.32，优于现有模型。
arXiv cs.AI66 天前