神经符号扩散模型

神经符号（NeSy）预测器结合了神经感知与符号推理，用于解决诸如视觉推理等任务。然而，标准的神经符号预测器假设所提取的符号之间条件独立，这限制了它们对符号间相互作用和不确定性建模的能力，通常会导致过度自信的预测和较差的分布外泛化性能。为了克服这一独立性假设的局限性，我们引入了一种新的神经符号预测器类别——神经符号扩散模型（NeSyDMs），该模型利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都重用了神经符号预测器中的独立性假设，从而实现了可扩展的学习，同时捕捉到符号依赖性和不确定性量化。在包括高维视觉路径规划和基于规则的自动驾驶在内的合成和真实世界基准测试中，NeSyDMs 在神经符号预测器中达到了最先进的准确性，并展示了强大的校准能力。