研究方向 02 · 学习与语义

神经符号学习与形式化推理

研究从数据中学习显式时序、因果与逻辑结构的方法，使模型决策能够被理解、检查、修正，并能够作为形式知识复用。

信号时序逻辑神经符号学习因果与事件图需求挖掘形式化解释

方向概念图集中表达数据表征、显式时序或因果结构、形式语义与可验证推理；后续可直接替换图片文件，无需修改页面结构。

方向概述

学习具有语义的表征，而不只是提高预测精度

本方向连接神经表征学习、信号时序逻辑、事件与因果图、形式语言以及人类知识。目标不是在预测之后附加解释，而是把符号结构直接嵌入模型结构与优化问题。

得到的表征可用于分类、需求挖掘、语义解释、验证、诊断和控制器综合，覆盖信息物理系统与工业智能系统。

关键科学问题

时序逻辑公式、因果图、事件结构和程序式表征同时包含组合拓扑与阈值、时间区间和权重。研究可微、稀疏、结构化和搜索式方法，在不损失语义的条件下联合优化两类变量。

符号只有对应可观测证据并支持一致推理时才有价值。研究机理锚定谓词、单调与因果结构、形式语言约束和人在环修正，使表征既可读又可机器检查。

噪声、标签不完整、动力学不确定性和领域变化会使脆弱规则失效。研究鲁棒语义、不确定性推理、抽象细化与验证接口，明确公式和解释能够安全迁移的边界。

研究框架

时间序列、事件、示范、物理约束与专家概念

稀疏注意力、可微逻辑、因果图学习与系统抽象

时序公式、事件图、规范、规则与契约

解释、需求挖掘、语义分类与可复用保证

成果组合