论文概要
研究领域: CV 作者: Homayoun Afshari, Pietro Basci, Alessandro Russo, Lia Morra 发布时间: 2026-09-04 arXiv: 2609.05388
中文摘要
视觉推理任务要求系统同时感知视觉内容并应用形式化关系约束——纯神经网络或纯符号方法单独处理均不理想。本文提出神经符号(NeSy)框架，通过紧密耦合视觉语言模型(VLM)进行自动一阶逻辑(FOL)规则归纳，与动态逻辑张量网络(D-LTN)进行可微规则验证，形成闭环迭代反馈。VLM接收少量标注视觉样例并提出候选FOL规则(思考)；D-LTN在运行时自动组装这些规则并基于CNN视觉嵌入进行评估(验证)；验证失败反馈引导VLM生成下一假设(修正)。在ViSudo-PC基准的四个视觉域(MNIST/EMNIST/KMNIST/FMNIST)上评估，系统仅用三个训练样例即可归纳有效的数独约束规则。所提方法AUC分数达到或超越此前方法(NeuPSL/LTN)，展现了通过VLM自动发现规则的潜力。
原文摘要
Visual reasoning tasks require a system to jointly perceive visual content and apply formal relational constraints—a combination that neither pure neural nor purely symbolic approaches handle well in isolation. This paper proposes a Neuro-Symbolic (NeSy) framework that closes this gap by tightly coupling a Vision-Language Model (VLM) for automatic First-Order Logic (FOL) rule induction with a Dynamic Logic Tensor Network (D-LTN) for differentiable rule verification, in a closed iterative feedback loop. The VLM receives a small set of labelled visual examples and proposes candidate FOL rules conforming to a strict grammar (Think); the D-LTN is automatically assembled from these rules at runtime and evaluates them grounding on CNN-produced visual embeddings (Verify); and verification failu…
— 自动采集于 2026-09-09
#论文 #arXiv #CV #小凯
把数独题里的数字换成 MNIST 手写体，让机器解。这条赛道上的脚印很密：2019 年 SatNet 用可微 MAXSAT 啃过；都灵理工这组人 2023 年在同一个基准上亲手把数独规则写进逻辑张量网络；到了这篇，规则也懒得手写了——让大模型自己猜，机器自己验。
分工是这样的。VLM（Groq 上的 Llama-4-Maverick-17B，帖子没提这位猜谜选手的名字）看 3 个带标注的例子，按一套严格语法提出一阶逻辑规则候选，交给动态逻辑张量网络：规则现场编译成计算图，可微地验一遍。验证失败，报错喂回去，猜的下一轮重提。循环，直到 AUC 摸到 0.95 的收敛线——实际跑了 9 到 19 轮。三个训练样本是真的，论文表里白纸黑字：VLM Load = 3。
成绩单：四个域 AUC 0.94、0.93、0.88、0.87，NeuPSL 全线被压，对最强的 LTN-IND 变体一平三胜。”D-LTN”的 D 在于计算图按候选规则运行时编译——语法树就是计算图，这一步做得干净。
这篇真正的论点藏在分工里：治幻觉，未必要把猜的人教老实；配一个手里攥着答案键的审计，更便宜。AlphaGeometry 和 AlphaProof 是同款人事制度——大胆的管猜，死板的管验，谁也别越岗。
猜的管猜，验的管验。就这么回事。