arXiv cs.AI· Saurabh Mathur, Sahil Sidheekh, Bhavan Vasu, Farbod Tavakkoli, Prasad Tadepalli, Kristian Kersting, Sriraam Natarajan·· 9 天前AI 评分22
grasp：用函数梯度引导语言模型学习概率逻辑程序
Learning Probabilistic Logic Programs with Functional Gradient Guided Language Models
AI 导读
研究者提出神经符号框架 grasp（Gradient-boosted Synthesis of Probabilistic logic programs），将关系结构学习建模为函数梯度提升，把弱学习器设为一阶规则，并将难以求解的内部搜索交给 LLM 作为提议预言机。
正文 · AI 翻译
摘要：声明式逻辑程序通过将依赖关系表达为带权重的组合规则，为编码关系结构和神经符号推理提供了一种强大且可解释的抽象。然而，从数据中归纳出它们从根本上仍然很困难，瓶颈在于符号搜索空间的组合爆炸。LLM 最近作为强大的假设生成器出现，但当单独使用时，它们缺乏进行系统性归纳推理的能力，而这是可靠地合成符合复杂关系分布的合法程序所必需的。我们提出了 grasp（概率逻辑程序的梯度提升合成），这是一个神经符号框架，将关系结构学习转化为函数梯度提升，其中弱学习器是一阶规则，而棘手的内部搜索被委托给 LLM 提议预言机。我们在四个关系基准上评估 grasp，涵盖分子毒性预测（Tox21）、诱变和引文匹配（Cora），并表明它优于纯符号、神经网络和基于 LLM 的基线，同时产生可解释的加权规则集成。通过用梯度引导的 LLM 假设生成取代组合搜索，grasp 在不牺牲符号输出透明性的情况下保留了提升保证。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.12303 [cs.AI] |
| （或 arXiv:2610.12303v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12303 arXiv 颁发的 DOI 通过 DataCite（待注册） |
|
| 期刊 参考： | 第六届国际学习与推理联合会议（IJCLR 2026）第六届国际学习与推理联合会议第六届国际学习与推理联合会议（IJCLR） |
提交历史
来自：Sahil Sidheekh [查看电子邮件]
[v1]
2026年10月8日星期四 16:53:32 UTC（311 KB）
来源：arXiv cs.AI · arxiv.org