软本体先验破解神经符号推理捷径，概念恢复不再不可识别！
Soft Ontology Priors over Latent Concept Posteriors for Weakly Supervised Neuro-Symbolic Learning
📖 AI 总结
该论文针对弱监督神经符号学习中仅用任务标签监督所导致的“推理捷径”问题展开研究：不同概念映射可获得相同的最大似然，使恢复出的概念不可辨识，难以安全复用。作者提出在训练目标中引入关于潜在概念的软本体先验，并与任务约束一起编译为平滑、可分解的概率电路。在独立伯努利感知假设下，结构化概念后验的归一化项可化为与电路规模线性的加权模型计数。该策略将专家公理置于电路权重而非支撑集，使含噪公理只重新分配先验质量而不会清空支撑集。作者刻画了先验如何通过本体违背能量差重新加权受标签限制的捷径质量，证明有界公理噪声下软先验仅带来有界对数密度扰动，而硬支撑版本可被单条错误公理变为退化。实验在真实驾驶基准BDD-OIA的六概念视图及受控任务上验证了上述预测。
🔑 关键词速览
| 神经符号学习 | 结合神经网络感知与符号逻辑推理的机器学习范式。 |
| 推理捷径 | 模型利用表面统计关联而非真实因果机制达到高准确率的现象。 |
| 软本体先验 | 以概率权重形式表达领域知识约束的先验分布，允许违反但施加惩罚。 |
| 概率电路 | 一种可分解且平滑的概率模型表示，支持高效精确推理。 |
| 加权模型计数 | 在命题逻辑公式上计算满足赋值的加权和，用于概率推理。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅