主要观点总结
本文介绍了神经符号能量基模型（NeSy-EBMs）作为神经符号系统的统一数学框架，并讨论了其在概率和非概率NeSy方法中的应用。NeSy-EBMs允许将神经组件和符号组件的接口形式化为函数的组合，并提供了三种建模范式：深度符号变量、深度符号参数和深度符号势。此外，本文还介绍了为NeSy-EBMs开发的一系列学习技术，包括模块化方法、梯度下降法、双层值函数优化和随机策略优化。这些技术适用于不同的建模范式和动机应用，如约束满足、微调和适应、少样本和零样本推理、半监督学习以及处理噪声数据的推理。最后，本文介绍了NeSy-EBMs的开源实现，即神经概率软逻辑（NeuPSL），并展示了它在多个数据集上的实证分析。
关键观点总结
关键观点1: NeSy-EBMs介绍
NeSy-EBMs是神经符号系统的统一数学框架，适用于概率和非概率方法。
关键观点2: 建模范式
NeSy-EBMs提供了三种建模范式：深度符号变量、深度符号参数和深度符号势。
关键观点3: 学习技术
NeSy-EBMs的学习技术包括模块化方法、梯度下降法、双层值函数优化和随机策略优化。
关键观点4: 动机应用
NeSy-EBMs适用于约束满足、微调和适应、少样本和零样本推理、半监督学习以及处理噪声数据的推理。
关键观点5: NeuPSL介绍
NeuPSL是NeSy-EBMs的开源实现，用于构建NeSy-EBMs。
关键观点6: 实证分析
NeuPSL在多个数据集上的实证分析展示了NeSy-EBMs的实用优势。
文章预览
A Mathematical Framework, a Taxonomy of Modeling Paradigms, and a Suite of Learning Techniques for Neural-Symbolic Systems2407.09693v1.pdf 《神经符号系统的数学框架、建模范式分类及学习技术套件》 https://arxiv.org/pdf/2407.09693 摘要 神经符号（NeSy）系统领域正在迅速发展。提出的方法是实现神经和符号方法的共生结合，展现出巨大的潜力。然而，每个NeSy系统在根本上都有所不同。迫切需要一个统一的理论来阐明方法之间的共同点和差异，并促进进一步的进展。 在本文中，我们介绍了神经符号能量基模型（NeSy-EBMs），这是一个统一的数学框架，用于概率和非概率NeSy方法的判别和生成建模。我们利用NeSy-EBMs开发了一个模型范式的分类，重点关注系统的神经符号界面和推理能力。此外，我们为NeSy-EBMs引入了一系列学习技术。 重要的是，NeSy-EBMs允许推导出突出学习损失梯度的一般表达
………………………………
