我们提出了一种基于模块化集成回答集编程（ASP）与能量模型（Energy Based Models）的神经符号推理与学习方法。主要贡献包括：
-
通过明确的ASP基础声明语义，支持在连续潜在空间中的联合优化，充分结合背景知识、约束和非单调推理。
-
在回答集、概率逻辑和回答集模理论的交界面上推进近期工作的进展，提供了一个通用模型和实际平台，以实现ASP中心的稳健端到端训练，适用于动态领域（例如，涉及感知和交互）。
我们提供了一个实际实现，演示基本用法与应用（使用MNIST数据集），并在视觉问答基准Clevr和多目标跟踪基准MOT上进行了评估。
博主点评： 本文将神经网络与符号推理相结合，展示了在动态环境中优化推理和学习的潜力，为智能系统的设计提供了新的视角与工具，尤其在处理复杂任务时，能显著提升模型的表现。通过ASP的引入，使得系统能够更好地利用背景知识，推动了智能推理的前沿发展。