為何神經約束求解器需要符號驗證
本文立場論文主張，若沒有針對個別實例的符號認證，神經約束推理在分布偏移下無法提供可靠的正確性。論文以 Sudoku 為測試平台，倡議雙向神經符號系統，讓神經模型提供啟發式方法，並由符號求解器驗證輸出。
Search
Tag: #neuro-symbolic29 results
NeSyFS 為 LLM Agent 引入快慢推理
NeSyFS 是一套為部分可觀測環境設計的神經符號框架，協助 LLM Agent 進行決策。它結合知識圖譜信念狀態、反應式快速思考、不確定性感知的慢速規劃，以及基於反思的模組切換，並在 ALFWorld、WebShop 和 ScienceWorld 上優於先前方法。
MechSim：用於科學模擬器的神經符號推理框架
MechSim 是一個全新的神經符號框架，使 LLM 能夠針對科學模擬器的底層機制與假設進行推理。透過超越黑盒執行模式，該框架能為模擬驅動的決策提供具備證據基礎的解釋。
PhyDrawGen：基於文字的物理精確圖表生成
PhyDrawGen 是一個神經符號管道，透過結合基於 LLM 的場景理解與確定性幾何求解器，生成物理精確的圖表。它解決了生成式模型常見的力向量幻覺與幾何約束違規問題。
SciAtlas：用於自動化科學研究的大規模知識圖譜
SciAtlas 是一個包含 4300 萬篇論文與 30 億個三元組的大規模跨學科知識圖譜。它提供了一個結構化的拓撲框架，協助 AI 代理導航複雜的科學連結並減少邏輯幻覺。
ANNEAL：針對持續性 LLM Agent 錯誤的受控符號修復技術
ANNEAL 是一種神經符號代理（Neuro-symbolic agent），透過對流程知識圖譜進行受控的符號編輯來修復重複發生的執行錯誤。與標準的微調或提示工程不同，它透過驗證、防護欄和確定性回滾機制確保結構的可靠性。
iLTN證明符號接地不足以實現推理
新研究挑戰神經符號AI中僅靠符號接地即可實現組合推理的假設。介紹iLTN，一種用於多步推斷的全可微分架構，顯示僅接地訓練的模型無法泛化，而聯合接地與推理訓練在零樣本任務中表現出色。
EvoForest：演化計算圖奪機器學習挑戰冠軍
EvoForest 是一種混合神經符號系統，透過計算圖的開放式演化處理結構化預測任務。它在 DAG 中共同演化結構、可重用函數與參數，透過交叉驗證的 Ridge 回歸評分。在 2025 ADIA Lab 結構斷裂挑戰中達到 94.13% ROC-AUC，超越冠軍的 90.14%。
神經符號推理提升 ARC 效能
新型神經符號架構從 ARC 格網提取物件結構，透過神經先驗提出 DSL 轉換，並以跨範例一致性過濾假設。它將 ARC-AGI-2 上基底 LLM 效能從 16% 提升至 24.4%，結合 ARC Lang Solver 達 30.8%。該開源系統無需任務特定微調或強化學習。
兩階段 LTNs 提升預測流程監控
神經符號方法使用邏輯張量網路（LTNs）將領域知識整合至詐欺偵測與醫療預測流程監控。兩階段最佳化採用加權公理損失預訓練，後接規則修剪，以平衡資料準確性與邏輯約束。在合規資料稀少情境下，優於純資料驅動基線。