Moose 是一种新的神经符号学习方法，用于 $mathcal{EL}^{++}$ 本体论中的潜在概念学习。现有的神经符号学习方法主要针对命题理论或 Datalog，而推理捷径（RS）意识在本体论环境中尚未被探索。Moose 方法将 $mathcal{EL}^{++}$ TBox 和有限 ABox 编译为句决策图（SDD），SDD 作为可微分的加权模型计数层。为了克服 $mathcal{EL}^{++}$ 在部分监督下的表达有限性，Moose 添加了声明的详尽家族的闭包子句。实验结果表明，Moose 在 MNIST-with-ontology 和 Pizza"iolo 数据集上优于传统的命题神经符号学习、模糊逻辑和本体论嵌入基线，并呈现了第一个推理捷径分析在 OWL EL 设置中。 博主点评： Moose 的提出为本体论中的潜在概念学习提供了新的思路，其推理捷径意识和可微分的加权模型计数层使其在复杂的本体论环境中具有更好的表现和灵活性。