Neuro-Symbolic AI Explainable AI RAG Logic Programming
摘要

检索增强生成(RAG)虽能利用外部知识提升问答效果,但其推理过程不透明且难以验证。本文提出NeSy-RAG框架,将检索文本转化为可归因的Prolog模块,通过语义谓词编码布尔主张并组合成查询。针对用户上下文缺失,引入符号化知识缺口检测机制以触发后续交互。执行Prolog查询可获得确定性答案及透明执行轨迹,在ShARC基准测试中准确率显著优于基线模型。

AI 推荐理由

论文核心在于通过神经符号方法增强推理的可解释性与确定性,解决黑盒推理问题。

研究机构
Data Science Group, Heidelberg University, Germany
论文信息
作者 Jonas Gann, Michael Gertz
发布日期 2026-08-06
arXiv ID 2608.06292
相关性评分 9/10 (高度相关)