Neural-symbolic integration is a fi

Neural-symbolic integration is a field in which classical symbolic knowledge mechanisms are combined with neural networks. This is done to provide satisfactory computational capabilities from the network side and to exploit the descriptive power of symbolic reasoning. Logic Tensor Networks (LTNs) are a deep learning model that can be used to combine data with fuzzy logic to provide inferences and reasoning mechanisms over data. While LTNs have been shown effective in some contexts no detailed analysis on their capabilities for deductive logical reasoning has been conducted. In this paper we explore the capabilities and the limitations of LTNs in terms of deductive reasoning.

結果 (繁體中文) 1:

神經象徵性的整合是其中的經典象徵知識的機制相結合，與神經網絡的字段。這樣做是為了提供從網絡側滿意的計算能力，並利用符號推理的描述能力。邏輯張量網絡（LTNs）是可以被用於將數據與模糊邏輯相結合，以提供對數據的推斷和推理機制深學習模型。雖然LTNs已經在某些情況下沒有詳細的分析，他們的能力的演繹邏輯推理被證明有效的已進行。在本文中，我們探討在演繹推理方面的能力和LTNs的局限性。

結果 (繁體中文) 2:

神經符號集成是經典符號知識機制與神經網路相結合的領域。這樣做是為了從網路端提供令人滿意的計算能力，並利用符號推理的描述性能力。邏輯張力網路 （LTN） 是一種深度學習模型，可用於將資料與模糊邏輯相結合，為數據提供推理和推理機制。雖然 LtN 在某些情況下被證明是有效的，但沒有對其演繹邏輯推理能力進行詳細分析。在本文中，我們探討了LTN在演繹推理方面的能力和局限性。

結果 (繁體中文) 3:

神經符號集成是將經典的符號知識機制與神經網路相結合的一個領域。這樣做是為了從網絡方面提供令人滿意的計算能力，並利用符號推理的描述能力。邏輯張量網絡（LTNs）是一種深度學習模型，可以將數據與模糊邏輯結合起來，對數據提供推理和推理機制。雖然ltn在某些情况下被證明是有效的，但沒有對其演繹邏輯推理能力進行詳細的分析。本文從演繹推理的角度探討了LTNs的能力和局限性。