用于弱监督神经符号学习的隐概念后验软本体先验

针对仅依赖任务标签弱监督的神经符号模型易出现推理捷径、导致隐概念不可识别的问题，研究提出在训练目标中为隐概念引入软本体先验，并将其与任务约束共同编译为平滑、可分解的概率电路。软编译策略将专家公理置于电路权重中，使其在有界公理噪声下仅产生有界的对数密度扰动，避免了硬约束公理损坏导致的退化。该方案在受控 NeSy 任务及包含 6 个概念的真实 BDD-OIA 驾驶基准上通过了实验验证。