新框架使用 LLM 学习可解释的逻辑程序

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-09 04:00

研究人员开发了一个名为 grasp 的新神经符号框架，该框架将语言模型与函数梯度提升相结合，以学习概率逻辑程序。该方法通过使用大型语言模型作为提升框架内的假设生成器，解决了从数据中归纳逻辑程序的难题。grasp 系统在分子毒性预测和引用匹配的基准测试中，表现优于现有的符号、神经网络和仅 LLM 的方法，同时保持了符号输出的可解释性。 AI

影响引入了一种新颖的神经符号方法，可以增强 AI 系统的可解释性和推理能力。

排序理由这是一篇研究论文，详细介绍了一个学习概率逻辑程序的新框架。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇研究论文，详细介绍了一个学习概率逻辑程序的新框架。 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Saurabh Mathur, Sahil Sidheekh, Bhavan Vasu, Farbod Tavakkoli, Prasad Tadepalli, Kristian Kersting, Sriraam Natarajan · 2026-10-09 04:00

使用函数梯度引导语言模型学习概率逻辑程序

arXiv:2610.12303v1 Announce Type: new Abstract: Declarative logic programs offer a powerful and interpretable abstraction for encoding relational structure and neurosymbolic reasoning, by expressing dependencies as weighted compositional rules. However, inducing them from data re…

本文如何被排名

报道来源 [1]

使用函数梯度引导语言模型学习概率逻辑程序

相关实体

相关话题