ANDRE：基于注意力的神经符号可微规则提取器

arXiv:2605.04193v1 公告类型：新 摘要：归纳逻辑编程（ILP）旨在从数据中学习可解释的一阶规则，但现有的符号和神经符号方法难以扩展到噪声和概率设置。经典 ILP 依赖于离散组合规则搜索，在不确定性下很脆弱，而可微分 ILP 方法通常依赖于预定义的规则模板或不准确的模糊运算符，这些运算符在对概率谓词评估进行推理时会遇到梯度消失或逻辑结构近似不良的问题。本文提出了一种基于注意力的神经符号可微分规则提取器（ANDRE），这是一种新颖的 ILP 框架，它通过使用基于注意力的逻辑运算符在连续规则空间上进行优化来学习一阶逻辑程序。 ANDRE 将规则模板和逻辑运算符替换为完全可微分、注意力驱动的合取和析取运算符，这些运算符近似逻辑最小-最大语义，从而能够对概率数据进行准确、稳定和可解释的推理。通过在每个规则中软性地选择、否定或排除谓词，ANDRE 支持灵活的规则归纳，同时保留符号结构。对经典 ILP 基准、大规模知识库以及具有概率谓词和噪声监督的合成数据集的大量实验表明，ANDRE 实现了有竞争力或卓越的预测性能，同时在不确定性下可靠地恢复正确的符号规则。特别是，ANDRE 对中等标签噪声仍然保持鲁棒性，在规则提取质量和稳定性方面都远远优于现有的可微 ILP 方法。