신경망의 연속적인 표현 학습과 기호 시스템의 명시적인 규칙 추론을 하나의 학습 과정으로 묶는 새로운 방법이 제안됐다. 야코프 주한 등 연구진은 답 집합 프로그래밍과 에너지 기반 모델을 모듈식으로 통합해 종단 간 신경기호 추론과 학습을 수행하는 구조를 공개했다. 논문은 2026년 7월 9일 arXiv에 제출된 프리프린트다.
답 집합 프로그래밍인 ASP는 배경지식과 제약, 예외를 포함하는 비단조 추론을 선언적으로 표현할 수 있다. 연구진은 이 의미 구조를 에너지 기반 모델의 연속 잠재공간과 연결해 공동 최적화를 지원한다. 신경망이 입력을 표현하는 단계와 기호 규칙이 결론을 제한하는 단계를 분리된 후처리로 두지 않고, 학습 과정에서 함께 작동시키려는 접근이다.
저자들은 답 집합과 확률 논리, 이론 모듈을 결합한 기존 연구의 접점을 일반화하고 ASP 중심의 견고한 종단 간 훈련을 위한 실용 플랫폼을 제공한다고 설명한다. 구현체의 기본 사용법을 MNIST로 시연했으며 시각 질의응답 벤치마크 CLEVR와 다중 객체 추적 벤치마크 MOT로 평가했다. 지각과 상호작용이 함께 변하는 동적 영역을 주요 활용 대상으로 삼았다.
초록은 구체적인 비교 점수나 모든 구성 요소의 기여도를 제시하지 않으므로 기존 신경기호 방식보다 일관되게 우월하다고 단정할 수 없다. 규칙 작성 비용과 잠재공간 최적화의 안정성, 더 큰 현실 과업에서의 확장성도 확인해야 한다. 현재 기여는 ASP의 명시적 의미론을 학습 가능한 연속 모델과 연결하는 일반 방법과 구현 가능성을 제시한 프리프린트로 평가할 수 있다. 이 방식의 장점이 현실 시스템으로 이어지려면 지각 오류와 규칙 충돌이 함께 발생할 때 어떤 결론을 내리는지 살펴야 한다. 선언적 지식을 수정했을 때 재학습 비용과 추론 결과가 예측 가능하게 변하는지도 중요한 평가 지점이다.
원문: arXiv 2607.08136
저작권자 © STORIUM 무단전재 및 재배포 금지
