推理捷径是神经符号系统中的一种解决方案，它通过意外的概念产生正确的预测。最近的一个框架由Takemura、Inoue和Nishino提出，通过值重标签的自动同构群来分析它们，并提出一个核心问题：规则何时确定概念。 我们首先证明，该框架的关键定义，即在每个位置应用一个共享的置换，不适用于其评估的四个异构基准之一，而最直接的嵌入，即将域填充到一个共同的大小，会产生自信的错误病理：在CLE4EVR上，90.91%的解决方案对被报告为未解释的，而我们引入的等级结构中的每个定义良好的成员都报告了0%。 在重新测量了十一个规则家族在十五个预指定的预测（十三个确认）后，未解释的对率从0%到99.9999%不等，且遵循可证明的结构：六个定理给出了足够的条件用于传递性及其失败，包括一个自由插槽引理，从语法中证明了Kandinsky的病理。 对于电路给定的规则，决定一个坐标的对称性惯性是coNP-complete；非平凡自动同构的存在是coNP-hard，在随机化归约下，位于$Sigma_2^p$中，并且不是$Sigma_2^p$-complete，除非PH崩溃；在单调电路上，它是coNP-complete。 在布尔情况下，传递性被精确分类：自动同构解释一切当且仅当解集是仿射余集合。 弱监督模型将所有94个观察到的捷径放在组件理论标记的唯一级别，并且没有一个在48个它证明为传递性的级别；十二个类型模糊的级别产生了没有捷径，将对称性允许的与优化选择的分开，并且双头控制复制了地理。 所有数字都追溯到发布的工件。 博主点评： 本文探讨了推理捷径和值对称性之间的关系，提出了几个关键问题和挑战，对于人工智能和机器学习领域具有重要意义，研究人员需要继续深入探索这些问题，以推动该领域的发展。