神经符号扩散模型

神经符号 (NeSy) 预测器将神经感知与符号推理相结合，用于解决诸如视觉推理等任务。然而，标准的 NeSy 预测器假设它们提取的符号之间存在条件独立性，从而限制了它们建模交互和不确定性的能力——这通常会导致过度自信的预测以及较差的分布外泛化能力。为了克服独立性假设的局限性，我们引入了神经符号扩散模型 (NeSyDMs)，这是一类新的 NeSy 预测器，它使用离散扩散来建模符号之间的依赖关系。我们的方法在扩散过程的每一步中重用了 NeSy 预测器中的独立性假设，从而实现了可扩展的学习，同时捕获了符号依赖关系和不确定性量化。在合成和真实世界的基准上——包括高维视觉路径规划和基于规则的自动驾驶——NeSyDMs 在 NeSy 预测器中实现了最先进的准确性，并表现出强大的校准能力。