此外,人类可以从少量的经验中学习[7,8],但 dnn 如 transformers[9–13]需要大量的数据集才能在特定任务中取得良好的性能[14]。...我们的经验表明,诺依曼解决视觉推理任务,如 Kandin- sky 模式[23]和CLEVR-Hans [24]使用更少的内存比传统的可微分正向推理机,优于神经基线。...与纯符号系统相比,NEUMANN 最有前途的特性是它能够以可扩展的方式处理大量的视觉输入。如第4.4节所示NEUMANN 可以执行视觉推理和学习,在运行时间和性能方面超过了最先进的神经符号基准。...这个特性对于将学习和推理与神经网络紧密集成至关重要,
如第442节所示,NEUMANN 可以使用基于梯度的 XAI 方法有效地产生与感知网络一起工作的视觉解释,而如果没有额外的硬编码,用纯符号系统很难产生相同的结果...此外,诺依曼允许在复杂的逻辑程序上使用函子进行可微推理,因此可以用于重要的应用,如规划、元解释器和知识增强基础模型。