基于 Belnap 类型化内涵 FOL 的神经符号 AGI 机器人的概率扩展

arXiv:2607.13073v1 公告类型：新 摘要：基于 $IFOL_B$ 的神经符号人工智能是一种将神经学习和符号推理相结合的方法，以克服纯神经系统的局限性（例如缺乏可解释性和逻辑结构），并具有用于自我参考的形式逻辑机制。在本文中，我们基于 Nilsson 的 $IFOL_B$ 概率结构，通过对当前未知句子进行概率计算来扩展 $IFOL_B$ 的认知能力。我们引入了保留当前知识数据库和逻辑推导的全局对称变换，以及用于对仅涉及 $IFOL_B$ 谓词的非常严格子集的具体（子）问题进行实时决策的局部对称变换。两种情况下概率密度函数 $KI$ 的计算均基于香农最大信息熵，由该概率神经符号 AGI 的神经网络提供。