面向零样本逻辑规则归纳的基础模型

归纳逻辑编程（ILP）旨在从数据中学习可解释的逻辑规则，但现有方法多为直推式，需针对新任务重新训练。本文提出神经规则归纳器（NRI），一种用于零样本规则归纳的预训练模型。NRI 不编码字面身份，而是利用类条件率、熵和共现等域无关统计属性表示字面量，实现跨变量泛化。该模型包含统计编码器与并行槽位解码器，后者保持了逻辑析取的排列不变性。通过乘积 T-范数松弛使规则执行可微，仅凭预测精度即可端到端训练。实验表明其在规则恢复、抗噪性及零样本迁移方面表现优异，开启了符号推理基础模型的可能性。