🤖 AI

Time to Reason: Scalable Neurosymbolic Learning for LTLf via Fuzzy Semantics

本文介绍了 DiffLTLf，这是一个可扩展的神经符号框架，它通过集成针对 LTLf 的形式化定义的模糊语义来实现无自动机的时间学习，并证明了其相比现有最先进方法具有竞争力的性能和更优越的可扩展性。

原作者： Riccardo Andreoni, Andrei Buliga, Alessandro Daniele, Paolo Felli, Chiara Ghidini, Marco Montali, Massimiliano Ronzani

发布于 2026-08-18

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Riccardo Andreoni, Andrei Buliga, Alessandro Daniele, Paolo Felli, Chiara Ghidini, Marco Montali, Massimiliano Ronzani

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在人工智能领域，存在着两种强大思维方式之间长期存在的鸿沟。一方面是深度学习系统，它们擅长识别图像或声音等原始数据中的模式，但往往难以解释其推理过程或遵循严格的规则。另一方面是符号系统，它们使用逻辑和规则进行清晰且可靠的推理，但在面对现实世界中混乱、不确定的现实时往往显得力不从心。多年来，研究人员一直试图弥合这一差距，开发出能够将神经网络的模式识别能力与符号规则的逻辑严密性相结合的“神经符号”系统。这种融合对于构建不仅智能而且值得信赖、公平且安全的 AI 至关重要。该领域一个特别困难的挑战涉及时间。许多现实世界的流程——从制造流水线到医疗监测——都是随着一系列事件展开的。为了理解这些流程，AI 不仅要能识别某一瞬间所看到的内容，还要理解这些瞬间如何随时间相互关联，例如，知道某个特定步骤必须始终发生在另一个步骤之前。

一个研究团队开发了一种新方法来解决如何教 AI 进行时间推理而不陷入计算复杂度泥潭的问题。他们的工作专注于一种用于描述事件序列的特定逻辑规则，称为有限迹上的线性时序逻辑。传统上，为了教计算机遵循这些规则，科学家会先将规则转化为一种复杂的机器，称为有限状态自动机。这种机器就像一张地图，引导 AI 遍历序列中的每一种可能状态。然而，这种方法有一个重大缺陷：随着规则变得更加复杂或序列变得更长，地图会变得如此庞大且错综复杂，以至于无法高效地进行导航。研究人员找到了一种完全绕过这一瓶颈的方法。他们不再构建庞大的地图，而是教 AI 直接评估规则，使用的是一种被称为模糊语义的数学概念。这种方法允许系统处理不确定性和部分真理，为一条规则分配一个“真度”程度，而不仅仅是简单的“是”或“否”。

研究人员测试了三种应用这种模糊逻辑的不同方式，以观察哪种效果最好。他们发现，数学方法的选择至关重要。其中一种将真值处理得类似于概率的方法被证明是最稳健的。它使得 AI 即使在规则复杂且图像序列较长的情况下也能有效地学习。相比之下，另外两种依赖于不同真值定义的数学方法，在任务变得困难时表现挣扎，经常无法找到正确解。与传统的基于地图的方法相比，这种新的直接方法在识别模式和遵循规则方面达到了相似甚至更高的准确度。更重要的是，它的速度更快。当传统方法随着规则变得复杂而显著减速时，新系统保持了稳定的速度，使其在实际应用中具有更强的可扩展性。

为了验证这些发现，团队创建了一个具有挑战性的测试环境，其中包括代表不同活动（如切割、焊接或包装）的图像流。AI 必须学习识别这些活动，并判断一系列动作是否遵循特定规则，例如“在检查完成前不要进行包装”。系统仅被告知整个序列是正确还是错误，而没有被告知具体的图像对应哪种活动。这是一种被称为“弱监督符号落地”的困难学习任务。结果显示，新系统可以成功学习识别活动并正确判断序列。当研究人员增加规则的复杂性或图像序列的长度时，传统方法开始显得力不从心，计算时间变长且有时会丧失准确性。然而，新系统保持了高效和准确，证明了无需依赖传统自动机的沉重、缓慢的机制，也可以教 AI 进行时间推理。

这项工作表明，人工智能时间推理的未来可能不在于构建更大、更复杂的地图，而在于精炼我们解读规则的方式。通过选择合适的数学框架，研究人员可以创造出不仅更聪明，而且对于定义我们现代世界的动态、时间敏感型任务更具实用性的系统。这项研究证实，直接模糊评估是一种可行且优越的替代方案，为构建能够以精准且高效的方式理解时间流逝的 AI 提供了路径。

技术摘要：时间推理：基于模糊语义的可扩展 LTLf 神经符号学习

问题陈述

神经符号（NeSy）人工智能旨在将深度学习（DL）与符号推理相结合，以解决数据效率、公平性和安全性方面的挑战。虽然在命题逻辑和一阶逻辑方面已取得了显著进展，但将神经符号框架扩展到时序逻辑，特别是有限轨迹上的线性时序逻辑（LTLf），仍然是一个开放性挑战。

现有的时序神经符号方法（如 FuzzyA, NeSyA）通常依赖于将 LTLf 规范编译为确定性有限自动机（DFA）。这种方法引入了两个关键限制：

可扩展性： 构建的自动机规模相对于公式规模呈双指数级增长。
序列瓶颈： 评估自动机状态需要对序列进行递归计算，从而阻止了在时间维度上的并行化。

此外，虽然已经提出了可微语义（模糊或概率）来解释时序公式，但目前尚缺乏一个统一的框架来系统地分析语义选择（如 Gödel、Product、Łukasiewicz）如何影响理论属性（等价性、对偶性）和预测性能。目前的基准测试通常依赖于中间监督信号或特定于自动机的约束，这限制了对其他集成方法的评估。

方法论： $\partial$ LTLf 框架

作者提出了 $\partial$ LTLf，这是一个全新的神经符号框架，它直接在模糊轨迹上评估 LTLf 规范，而无需构建中间自动机。

1. 理论基础：模糊 LTLf 语义

论文正式定义了三种基于不同 t-范数（t-norms）的不同模糊 LTLf 语义，记作 $fltl^x_f$ ：

Gödel 语义 ( $fltl^G_f$ )： 使用 min/max 进行合取/析取。论文证明，由于分配律的存在，经典的 LTLf 等价关系（例如弱 Until $W$ 与 Until $U$ 之间）在这一语义下完全成立。
Product 语义 ( $fltl^P_f$ )： 将真值视为概率信息，使用乘法进行合取，使用概率和进行析取。
Łukasiewicz 语义 ( $fltl^L_f$ )： 使用有界和以及 max-min 操作。

一个关键的理论发现是，虽然 $F$ （最终）和 $G$ （始终）算子在所有三种语义下都可以由 $X$ 和 $U$ 推导出来，但 弱 Until ( $W$ ) 的等价性仅在 Gödel 语义下成立。在 Product 和 Łukasiewicz 语义下， $W$ 和 强释放 ( $M$ ) 必须作为原生算子进行定义，因为它们失去了与标准算子的互定义性。

2. $\partial$ LTLf 架构

该框架解决了**弱监督符号接地（Symbol Grounding）**任务。给定一系列原始观测（例如图像）和一个表示该序列是否满足时序规范 $\Phi$ 的二元标签，模型学习将观测映射到符号概念。

该流水线由三个可微组件组成：

感知模块 ( $f_\theta$ )： 一个将原始输入映射到原子命题的模糊真值的神经网络，生成模糊轨迹 $\lambda_\theta$ 。
时序逻辑模块： 使用所选的模糊语义直接在 $\lambda_\theta$ 上评估公式 $\Phi$ 。该模块通过递归张量操作（算法 1）实现，该操作从叶子节点向根节点处理 $\Phi$ 的语法树。它通过边界算子 ( $\nabla_0, \nabla_1$ ) 处理填充（padding），以确保在不同长度序列下的有效评估。
损失函数： 计算二元交叉熵，用于衡量模糊满足值 $v(\Phi, \lambda_\theta)$ 与地面真值序列标签之间的差异。

至关重要的是， $\partial$ LTLf 是**基于模型（model-based）**的：时序规范在推理过程中作为模型内的一个可微层存在，而不是事后应用的损失约束。

核心贡献

系统的理论分析： 论文提供了第一个统一的模糊 LTLf 语义定义，分析了经典等价性和对偶性的保持情况。它证明了 Gödel 语义保持了完整的互定义性，而 Product 和 Łukasiewicz 语义则需要对某些算子进行原生定义。
可扩展框架 ( $\partial$ LTLf)： 一个全新的框架，通过绕过自动机构建，实现了在模糊轨迹上对时序公式的并行评估。这消除了双指数爆炸和基于 DFA 的序列评估瓶颈。
增强的评估协议： 作者引入了一个基准测试，通过移除关系约束和中间监督信号（如自动机状态）来隔离时序推理。该协议通过改变公式复杂度（合取子公式的数量）和序列长度来严格测试可扩展性。

实验结果

该框架在多流图像序列（MNIST 和 Fashion-MNIST）上进行了评估，对比对象包括最先进的基于 DFA 的方法（FuzzyA, NeSyA）以及纯神经基准模型。

语义的影响 (RQ1)： 模糊语义的选择显著影响性能。Product 语义表现出极强的鲁棒性，即使在公式复杂度增加时也能保持高符号接地准确率（在 8 个类别下仍高于 85%）。相比之下，Gödel 和 Łukasiewicz 语义随着复杂度的增加出现了性能下降和高方差，这归因于梯度消失问题（Gödel 语义中 min/max 的单次传递特性）以及饱和问题（Łukasiewicz 语义）。
与最先进技术的比较 (RQ2)：
- 准确率： $\partial$ LTLf（配合 Product 语义）达到了与 DFA 类方法相当的性能，并且在高复杂度/长序列场景下表现更优。纯神经基准模型未能学习该任务，证实了符号约束的必要性。
- 可扩展性： $\partial$ LTLf 展示了卓越的计算效率。当公式复杂度增加时，DFA 类方法的训练时间呈超线性增长（由于自动机规模），且随序列长度呈线性增长；而 $\partial$ LTLf 对公式复杂度几乎保持不变，并随序列长度线性缩放。
- 效率： 在高序列长度（200 步）和高复杂度下， $\partial$ LTLf 的每轮迭代速度比 NeSyA 快达三个数量级，且显著快于 FuzzyA。

重要性与主张

论文声称，直接模糊解释 LTLf 公式是现有基于自动机的时序神经符号框架的一个具有竞争力的、可扩展的替代方案。

可扩展性： 通过避免自动机构建， $\partial$ LTLf 克服了限制复杂规范和长序列应用的时序神经符号计算障碍。
设计洞察： 本研究确立了选择模糊语义是一个关键的设计决策，其中 Product 语义在梯度信息丰富度和计算效率之间提供了理想的权衡。
为未来工作奠定基础： 对模糊 LTLf 的系统性理论分析以及提出的评估协议，为开发未来的时序神经符号系统提供了坚实的基础，推动该领域从初步提案向鲁棒、可扩展的逻辑与深度学习集成迈进。

作者的结论表明，直接模糊评估是学习受时序约束任务的一种切实可行的解决方案，特别是在对可扩展性和计算效率要求极高的场景中。