第 1 / 43 页
这一页讲的是课程 COMPSCI 713 的第 4 讲，主题是逻辑神经网络（Logic Neural Networks）。
空格=播放/暂停当前页 · Tab=切换 简短/详细/深入 · 红色「深入」为重点页的深度讲解
这一页讲的是课程 COMPSCI 713 的第 4 讲，主题是逻辑神经网络（Logic Neural Networks）。
这一页讲的是课程 COMPSCI 713 的第 4 讲，主题是逻辑神经网络（Logic Neural Networks），重点是如何将符号逻辑（Symbolic Logic）与神经网络（Neural Networks）结合，用于人工智能推理（AI Reasoning）。这门课由奥克兰大学计算机科学学院的 Xinyu Zhang 教授讲授，提供了一个链接供学生访问相关资源：https://zhangxinyu-xyz.github.io/。这一讲的核心内容可能涉及逻辑推理的数学基础与神经网络的学习能力如何相互补充，用于解决复杂的 AI 推理问题。
这一页讲的是人工智能中的逻辑相关内容，包括符号逻辑、神经网络及逻辑神经网络(LNNs)。
这一页讲的是人工智能中逻辑的作用及相关技术。首先探讨“为什么逻辑在 AI 中重要”，强调逻辑对推理和决策的核心价值。接着回顾符号逻辑(symbolic logic)，这种传统逻辑方法在 AI 中的应用。然后介绍神经网络的工作原理，帮助理解它们如何处理数据。随后讲解逻辑神经网络(LNNs)的需求，说明它们如何结合逻辑推理与神经网络的学习能力。还提到了可微分逻辑(differentiable logic)，即如何让逻辑在 AI 中可操作，强调逻辑与深度学习的融合。最后总结了逻辑神经网络的概念及其意义。这一页为后续深入学习逻辑与 AI 的结合奠定了基础。
这一页讲的是逻辑在人工智能中的重要性。重点包括传统 AI 的挑战如缺乏推理能力和黑箱问题，以及逻辑如何提供明确推理和可解释性。
这一页讲的是逻辑在人工智能中的重要性。传统 AI 的挑战主要有两个方面：第一，深度学习模型擅长模式识别，但缺乏推理能力；第二，人工智能无法解释其决策过程，这被称为黑箱问题（black-box problem）。逻辑的引入可以解决这些问题，提供两大优势：明确推理（explicit reasoning）和可解释性（explainability）。明确推理指的是基于逻辑规则的推导，例如如果 A 导致 B 且 A 是真的，那么 B 必然是真的。可解释性则是指通过逻辑，我们可以了解决策背后的原因。这对于提高 AI 系统的透明度和用户信任至关重要。例如，在医疗诊断中，逻辑可以帮助解释为什么某个症状导致某种疾病，从而使医生更容易理解和验证 AI 的建议。
这一页讲的是逻辑在 AI 中的作用，比较了神经网络和逻辑推理的分类方式。
这一页讲的是逻辑在 AI 中的作用，重点讨论了神经网络和基于逻辑的 AI 在分类问题上的差异。幻灯片通过一个例子说明，神经网络可以识别出图片中的猫，但无法解释为什么是猫。相比之下，逻辑推理可以提供结构化的解释，例如通过特征推断：如果某物体体型较小且有毛发，则可能是猫。左侧的图展示了卷积神经网络（Convolutional Neural Network）的分类过程，输入图片经过多层特征提取后输出分类结果。右侧的图强调了逻辑推理的分类方式，通过分析物体的具体特征（如大小和毛发）进行推断。这一页的核心在于说明逻辑推理不仅能完成分类，还能提供可解释性，这对于 AI 的透明性和可信度至关重要。例如，在医疗诊断中，提供明确的逻辑推理可以帮助医生理解 AI 的决策过程，从而增强信任。
这一页讲的是命题逻辑 (Propositional Logic) 的基本概念和逻辑运算符，包括它们的符号和含义。
这一页讲的是命题逻辑 (Propositional Logic)，它处理的是可以判断为真 (True) 或假 (False) 的语句，并通过逻辑运算符来构造复杂表达式。表格列出了五种主要的逻辑运算符：1. 否定 (Negation)，符号是 ¬P，表示取反；2. 合取 (Conjunction)，符号是 P ∧ Q，表示 P 和 Q 同时为真时结果为真；3. 析取 (Disjunction)，符号是 P ∨ Q，表示 P 或 Q 至少一个为真时结果为真；4. 蕴含 (Implication)，符号是 P → Q，表示当 P 为真且 Q 为假时结果为假，其他情况为真；5. 等价 (Equivalence)，符号是 P ↔ Q，表示 P 和 Q 同时为真或同时为假时结果为真。这些运算符是命题逻辑的核心工具，用于构建复杂逻辑表达式。例如，表达式 (P ∧ Q) → ¬R 表示如果 P 和 Q 同时为真，那么 R 必须为假。这些逻辑操作在计算机科学、数学推理和人工智能中非常重要。
这一页讲的是命题逻辑的五个基本逻辑算子及其含义。命题逻辑（Propositional Logic）处理的是只能取"真"或"假"的陈述，然后用逻辑运算符把它们组合成更复杂的表达式。五个算子分别是：否定（NOT，符号 ¬P），意思是把真变假、假变真；合取（AND，符号 P ∧ Q），两者都真才真；析取（OR，符号 P ∨ Q），至少一个真就真；蕴含（Implication，符号 P → Q），只有"P 真 Q 假"时整个式子为假，其余均为真；等价（Equivalence，符号 P ↔ Q），两者同真或同假时为真。考试最容易考的是蕴含算子的真值表，很多同学直觉上觉得"P 假 Q 真"应该是假的，但其实是真的——这就是后面要讲的"空真"（vacuous truth）。直觉理解：蕴含 P → Q 可以理解成一个承诺"如果我是学生，我一定去上课"。如果我本来就不是学生，不管我有没有去上课，这个承诺都没有被违背，所以蕴含式仍然为真。考试中常见题型是给出一个蕴含规则，然后问哪种情况"violates"（违反）了这个规则——答案永远是 P 真 Q 假的那种情况。
这一页讲的是命题逻辑中的合取(AND)运算及其真值表，强调只有两个命题都为真时结果才为真。
这一页讲的是命题逻辑中的合取(AND)运算，重点是通过真值表展示合取运算的逻辑规则。真值表包含三列：第一列是命题 P 的真假值，第二列是命题 Q 的真假值，第三列是 P ∧ Q 的结果。规则是只有 P 和 Q 同时为真时，P ∧ Q 的结果才为真，其余情况均为假。例如，“It is raining AND I have an umbrella”只有在两个条件都满足时才为真。通过这个例子可以直观理解合取运算的意义。页面还包含一个练习题，要求判断四个选项中哪一个描述正确的逻辑规则。正确答案是选项 B，因为只有当 P 和 Q 都为真时，P ∧ Q 才为真。这种逻辑运算在计算机科学和数学中非常重要，因为它是构建复杂逻辑表达式的基础。
这一页讲的是命题逻辑中的合取运算 (Conjunction)。合取仅在两个命题都为真时结果为真。
这一页讲的是命题逻辑中的合取运算 (Conjunction)，其符号为 ∧，表示两个命题同时成立时结果为真。页面展示了一个真值表 (Truth Table)，表中列出了两个命题 P 和 Q 的所有可能组合，以及它们合取 P ∧ Q 的结果：只有当 P 和 Q 都为真 (T) 时，P ∧ Q 才为真 (T)，其他情况下均为假 (F)。例如，“It is raining AND I have an umbrella” 表示只有同时下雨且有伞时，整个表达式才为真。接着是一个练习题，要求判断哪种情况符合合取的逻辑规则。正确答案是选项 B：如果 P 和 Q 都为真，那么 P ∧ Q 为真。这页内容帮助理解逻辑运算中合取的定义及其应用，尤其在逻辑推理和计算机科学中非常重要。
这一页讲的是命题逻辑中的条件蕴含 (→) 的真值表及其逻辑含义。重点解释为什么 (F → T) 和 (F → F) 都为真，以及“vacuous truth”的概念。
这一页讲的是命题逻辑中的条件蕴含 (→) 的真值表及其逻辑含义。真值表中列出了 P 和 Q 的可能值组合，以及 P → Q 的结果。当 P 为真且 Q 为假时，条件蕴含为假；其他情况下，条件蕴含为真。为什么 (F → T) 和 (F → F) 都为真？这是因为条件蕴含只有在前提 P 为真且结论 Q 为假时才会失败。当 P 为假时，无论 Q 的值如何，我们无法验证 Q 是否应该发生，因此条件蕴含自动为真，这种逻辑现象称为“vacuous truth”（空洞真理）。例如，如果说“如果今天下雨，我会带伞”，但今天没有下雨（P 为假），那么这句话无论是否带伞都被认为是正确的，因为前提不成立。这种逻辑在数学证明中非常重要，用于处理特定情况下的逻辑推导。
这一页讲的是逻辑蕴含（Implication, P → Q）的真值表，以及一个极其重要的概念——空真（vacuous truth）。蕴含的真值表有四行：P 真 Q 真 → 真；P 真 Q 假 → 假；P 假 Q 真 → 真；P 假 Q 假 → 真。关键问题是：为什么 P 为假时整个蕴含式不管 Q 是什么都是真的？原理：蕴含式只有在"前提 P 成立但结论 Q 没有兑现"这种情况下才算失败，也就是只有 P 真 Q 假时才为假。P 本身已经为假，就意味着触发条件根本没有发生，自然无法验证 Q 是否成立，所以整个承诺没有被违反，逻辑上定为真。这叫"空真"——一个假前提可以让整个蕴含式自动变真。举个例子："如果我明天去图书馆，我就帮你还书"。如果我明天根本没去图书馆（P = 假），不管书有没有被还（Q = 真或假），我的承诺都没有被违反。考试易错点：不少同学把蕴含和双向等价搞混。P → Q 是单向的，只要求"P 成立时 Q 必须成立"；P ↔ Q 要求两者完全同步。另一个高频考点是反证法（Modus Tollens）用到的逆否命题：P → Q 等价于 ¬Q → ¬P，这和蕴含的真值表是完全一致的。
这一页讲的是命题逻辑中的蕴含关系，通过实际情况表格解释了“如果下雨，地面会湿”的逻辑含义。
这一页讲的是命题逻辑中的蕴含关系（Implication），重点是如何理解“如果下雨，地面会湿”的逻辑规则。这里定义了两个命题：P 表示“下雨”，Q 表示“地面湿”。蕴含关系 P → Q 的意思是：只要 P 成立（下雨），那么 Q 必须成立（地面湿）。表格列出了四种情况：第一种是下雨且地面湿，P 和 Q 都为真，蕴含关系成立；第二种是下雨但地面不湿，P 为真而 Q 为假，蕴含关系不成立；第三种是没有下雨但地面湿（例如水管导致的湿地），P 为假而 Q 为真，蕴含关系仍成立；第四种是没有下雨且地面干燥，P 和 Q 都为假，蕴含关系也成立。这表明，蕴含关系在 P 为假时总是成立，而在 P 为真时，Q 必须为真才能使蕴含关系成立。这种逻辑在计算机科学和数学中非常重要，例如用于条件语句的推理。
这一页讲的是命题逻辑中的真值表推理，重点是判断哪些情况违反了给定规则。
这一页讲的是命题逻辑中的真值表推理，给定的规则是“如果某个动物是鸟，那么它可以飞”（Bird(x) → CanFly(x)）。这里的逻辑表达式是一个条件语句，只有在前提为真而结论为假时才会违反规则。幻灯片列出了四种情况：A）鹰是鸟并且会飞；B）企鹅是鸟但不会飞；C）鱼不是鸟并且不会飞；D）蝙蝠不是鸟但会飞。我们需要分析这些情况是否违反了规则。根据逻辑推理，只有情况 B 违反了规则，因为企鹅是鸟（前提为真），但它不能飞（结论为假），这与条件语句的要求不符。其他选项都符合规则：A 和规则一致；C 和 D 的前提为假，因此不会违反规则。这一练习帮助我们理解条件语句的逻辑关系及其在实际问题中的应用。
这一页讲的是命题逻辑中的真值表推理，重点分析规则违反情况。关键点包括规则的定义、真值表的解释及选项分析。
这一页讲的是命题逻辑（Propositional Logic）中的真值表推理（Truth Table Reasoning）。规则定义为“如果某动物是鸟，则它能飞”（Bird(x) → CanFly(x)）。真值表列出了不同情况下规则的逻辑结果：当 Bird(x) 为真且 CanFly(x) 为假时，规则被违反（P → Q 为假）。题目要求判断哪个选项违反了规则。选项 B 的情况是“企鹅是鸟，但不能飞”，这违反了规则，因为根据逻辑规则，所有鸟都应该能飞，而企鹅不能飞。真值表的关键列包括 Bird(x) 和 CanFly(x)，以及逻辑结果 P → Q，用于验证规则是否成立。这一题的答案是 B，帮助理解逻辑规则如何在实际情况中应用。
这一页讲的是一阶逻辑 (First-Order Logic, FOL) 的关键组成部分，包括变量、关系、函数和量词等。
这一页讲的是一阶逻辑 (First-Order Logic, FOL) 的关键组成部分。FOL 是一种符号逻辑系统，能够表达更复杂的关系。它的核心元素包括变量 (variables)、关系 (relations)、函数 (functions)、量词 (quantifiers)、签名 (signature)、术语 (terms) 和句子 (sentences)。幻灯片中的表格详细列出了几个重要概念：关系 (Relation) 用符号 R(x, y) 表示，描述两个实体之间的关系，例如 Parent(Alice, Bob) 表示 Alice 是 Bob 的父母；函数 (Function) 用符号 f(x) 表示，将一个实体映射到另一个，例如 Age(Bob) = 30 表示 Bob 的年龄是 30；全称量词 (Universal Quantifier) 用符号 ∀x R(x, y) 表示，意思是“对于所有 x，R(x, y) 成立”；存在量词 (Existential Quantifier) 用符号 ∃x R(x, y) 表示，意思是“至少存在一个 x，使得 R(x, y) 成立”。这些概念为逻辑表达复杂关系提供了工具，例如可以表示“所有人都有父母”或“至少有一个人年龄为 30”。
这一页讲的是一阶逻辑(First-Order Logic)中的推理规则与错误结论。主要内容包括一个给定规则和四个选项，要求判断哪个结论是错误的。
这一页讲的是一阶逻辑(First-Order Logic)中如何根据给定规则进行推理，并判断错误的结论。给定规则是 ∀x (Student(x) → Enrolled(x, University))，意思是“对于所有 x，如果 x 是学生，那么 x 就会注册大学”。问题要求从四个结论中找出错误的选项：A 表示 Bob 是学生就会注册大学；B 表示存在某个 x，x 是学生且注册大学；C 表示如果 Bob 没有注册大学，那么 Bob 就不是学生；D 表示所有注册大学的人都是学生。通过分析可以发现，选项 D 是错误的，因为它颠倒了给定规则的逻辑关系。给定规则是从“学生”到“注册大学”的推理，而 D 是从“注册大学”到“学生”的推理，违反了逻辑方向。这一题帮助理解逻辑推理中的正确方向和反向推理的错误。
这一页讲的是一阶逻辑中的规则推导及错误结论。关键点包括给定规则的含义、选项分析及错误结论的原因。
这一页讲的是一阶逻辑 (First-Order Logic) 中的推导规则及错误结论分析。给定规则为 ∀x (Student(x) → Enrolled(x, University))，意思是“对于所有 x，如果 x 是学生，那么 x 就一定在大学注册”。题目要求判断哪个结论是错误的。选项 A 表示如果 Bob 是学生，那么他一定在大学注册，这符合规则；选项 B 表示存在一些学生在大学注册，这也符合规则的存在量化含义；选项 C 表示如果 Bob 没有在大学注册，那么他就不是学生，这与规则的逆否命题一致；选项 D 表示所有在大学注册的人都是学生，这与规则不符，因为规则只说明学生会注册，但没有说明所有注册的人都是学生。错误选项是 D，原因是规则的方向是“学生 → 注册”，而非“注册 → 学生”。这一题帮助理解逻辑规则的方向性及推导的正确性。
这一页讲的是逻辑推理(Logical inference)的基本概念和三种主要类型：Modus Ponens、Modus Tollens 和 Syllogism。
这一页讲的是逻辑推理(Logical inference)，即通过形式化逻辑规则从给定的陈述(前提)中推导结论的过程。幻灯片重点介绍了经典逻辑中的三种基本推理类型：第一，Modus Ponens 是直接推理，基于条件语句得出结论，例如“如果 A 那么 B；A 为真，因此 B 为真”。第二，Modus Tollens 是通过否定结论进行推理，例如“如果 A 那么 B；B 为假，因此 A 为假”。第三，Syllogism 是通过连接多个前提来得出最终结论，例如“所有人都会死亡；苏格拉底是人，因此苏格拉底会死亡”。这三种推理方式是逻辑学中的基础工具，广泛应用于数学证明、计算机科学和哲学推理中，帮助我们从已知信息中得出可靠的结论。
这一页讲的是三条经典逻辑推理规则：假言推理（Modus Ponens）、否定后件推理（Modus Tollens）和三段论（Syllogism）。这三条规则是符号逻辑推理的核心工具，也是 LNN 推理的理论基础。Modus Ponens（假言推理）：给定 P → Q 和 P 为真，可以得出 Q 为真。格式：前提1 是规则，前提2 是事实，结论是直接推出的结果。例子："如果下雨地就湿，现在在下雨，所以地是湿的。"Modus Tollens（否定后件推理，又叫逆否推理）：给定 P → Q 和 ¬Q 为真，可以推出 ¬P 为真。这是蕴含逆否命题的直接应用。例子："如果绿灯车可以走，现在车不能走，所以不是绿灯。"Syllogism（三段论）：给定 A → B 和 B → C，可以推出 A → C。这是推理链条的传递性。例子："狗是哺乳动物，哺乳动物有脊梁骨，所以狗有脊梁骨。"考试常见形式是给你一串规则加一个事实，让你连续应用这三条规则推出结论（比如 Exercise 4 里连续用三次 Modus Tollens）。易错点：Modus Tollens 要否定的是后件（Q），然后推出前件（P）的否定，方向不能搞反——不能从 ¬P 推 ¬Q，那叫"否定前件谬误"，是错误推理。
这一页讲的是逻辑推理中的 Modus Ponens 推理规则。主要内容包括其定义、推理模式及示例。
这一页讲的是逻辑推理中的 Modus Ponens 推理规则。首先，它的定义是：对于任意 P 和 Q，如果前提 P → Q 和 P 成立，那么可以推导出结论 Q。这是一种推理规则，用来从条件命题和其前件为真的情况下，得出后件为真的结论。推理模式分为三个步骤：第一步是前提 P → Q（如果 P 那么 Q）；第二步是前提 P（P 为真）；第三步是得出结论 Q（因此 Q 必须为真）。示例部分用天气和地面湿度说明了这一规则：如果下雨，地面会变湿（Rains → WetGround）；当前提是“正在下雨”（Rains = True），那么可以得出结论“地面是湿的”（WetGround = True）。这个规则在逻辑推理和数学证明中非常重要，因为它提供了一种从已知条件推导出可靠结论的方法。
这一页讲的是 Modus Tollens 推理规则，用于逻辑推理中从结论反推前提的有效性。主要包括规则定义、推理模式和一个交通规则的例子。
这一页讲的是 Modus Tollens（否定后件法），它是一种逻辑推理规则，用于从结论的否定推导出前提的否定。规则定义为：对于任意 P 和 Q，如果 P 推导 Q 且 Q 为假（¬Q），则可以推导出 P 为假（¬P）。推理模式包括三个步骤：第一前提是 P → Q（如果 P 则 Q）；第二前提是 ¬Q（Q 为假）；结论是 ¬P（因此 P 必须为假）。幻灯片通过一个交通规则的例子说明这一规则：假设“绿灯亮时汽车可以行驶”（GreenLight → CanGo），但实际情况是“汽车不能行驶”（¬CanGo），因此可以得出结论“绿灯没有亮”（¬GreenLight）。这个推理规则在逻辑学和计算机科学中非常重要，用于确保推理的严密性和可靠性。
这一页讲的是符号逻辑中的逻辑推理(Syllogism)，通过两个前提推导出结论。
这一页讲的是符号逻辑中的逻辑推理(Syllogism)，它是一种通过连接两个前提(Premises)来得出结论(Conclusion)的逻辑论证方式。其模式包括：第一前提(A → B，表示如果 A 则 B)，第二前提(B → C，表示如果 B 则 C)，以及结论(A → C，表示因此如果 A 则 C)。幻灯片通过一个动物分类的例子说明这个模式：所有狗都是哺乳动物(Dog(x) → Mammal(x))，所有哺乳动物都有脊椎(Mammal(x) → HasBackbone(x))，因此可以推导出所有狗都有脊椎(Dog(x) → HasBackbone(x))。这个推理模式在逻辑学和人工智能推理中非常重要，因为它提供了一种结构化的方式来进行知识推导和验证。
这一页讲的是逻辑推理在科学理论评价中的应用，重点是通过规则和事实推导结论。
这一页讲的是逻辑推理（Logical Inference）在科学理论评价中的应用。页面列出了三个规则：1. 如果某理论有数据支持（SupportedByData），则会被社区接受（AcceptedByCommunity）；2. 如果被社区接受，则会获得研究资金（ReceivesFunding）；3. 如果获得资金，则会在学术界被认可（RecognizedInAcademia）。此外，给出一个事实：量子引力统一理论（QG Theory）没有在学术界被广泛认可（¬RecognizedInAcademia）。基于这些规则和事实，问题要求推导出结论。通过逻辑链条可以得出，由于 QG Theory 不被学术界认可，根据规则 3，它没有获得研究资金；进一步，根据规则 2，它也没有被社区接受；最后，根据规则 1，它没有数据支持。因此，正确答案是选项 B：QG Theory is not well-supported by experimental data。这一推理过程展示了如何将符号逻辑用于科学理论的评价。
这一页讲的是逻辑推理中的 Modus Tollens 方法，分三步推导理论状态。重点是从否定前件推导否定后件。
这一页讲的是逻辑推理中的 Modus Tollens 方法，通过三步推导理论（QGTheory）的状态。第一步的规则是「理论获得资助 (ReceivesFunding(T)) → 理论被学术界认可 (RecognizedInAcademia(T))」，事实是「理论未被学术界认可 (¬RecognizedInAcademia(QGTheory))」，推导出「理论未获得资助 (¬ReceivesFunding(QGTheory))」。第二步的规则是「理论被社区接受 (AcceptedByCommunity(T)) → 理论获得资助 (ReceivesFunding(T))」，结合第一步的结论「理论未获得资助」，推导出「理论未被社区接受 (¬AcceptedByCommunity(QGTheory))」。第三步的规则是「理论有数据支持 (SupportedByData(T)) → 理论被社区接受 (AcceptedByCommunity(T))」，结合第二步的结论「理论未被社区接受」，推导出「理论没有数据支持 (¬SupportedByData(QGTheory))」。这一页通过逐步应用 Modus Tollens 展示了逻辑推理的严密性和重要性，强调了否定前件如何影响推导结果。
这一页讲的是连续应用 Modus Tollens 的推理链，通过量子引力统一理论（QG Theory）的例子展示如何从一个否定事实层层往回推。给定三条规则：1. 数据支持 → 学界接受；2. 学界接受 → 获得资助；3. 获得资助 → 学术认可。已知事实：QG Theory 没有被学术界认可（¬RecognizedInAcademia）。推理过程（三步 Modus Tollens）：第一步，规则3是"获得资助 → 学术认可"，事实是"没有学术认可"，由 Modus Tollens 得"没有获得资助"；第二步，规则2是"学界接受 → 获得资助"，事实是"没有获得资助"，得出"没有被学界接受"；第三步，规则1是"数据支持 → 学界接受"，事实是"没有被学界接受"，得出"没有被数据支持"。结论是选项 B。这道题的核心技巧是认识到规则链从高到低排列，给的否定事实在链条末端，所以要反向逐步剥离。考试中这类题通常给3-4条规则和一个否定或正向事实，要求你判断能得出哪个结论，正向链用 Modus Ponens 加 Syllogism，反向链用 Modus Tollens。易错点是记错规则方向，比如不能用 ¬P 推 ¬Q，那不是任何合法规则。
这一页讲的是神经网络的训练过程，包括正向传播、损失计算、反向传播和梯度下降优化。图示展示了梯度下降如何寻找全局最小值。
这一页讲的是神经网络的训练过程，其核心是通过调整权重（weights）来最小化预测值与正确答案之间的误差。训练的主要步骤包括：1. 正向传播（Forward Propagation），输入数据通过网络层生成输出；2. 损失计算（Loss Calculation），计算预测值与真实值之间的误差，通常使用损失函数（loss function）；3. 反向传播（Backpropagation），通过计算梯度调整权重以减少误差；4. 梯度下降优化（Optimization using Gradient Descent），通过逐步更新权重提高模型精度。右侧的图表展示了梯度下降的工作原理，横轴是权重 w，纵轴是损失函数值 J(w)。初始权重从某点开始，梯度指示了下降方向，最终权重会趋近于全局损失最小值 J_min(w)。例如，在训练一个分类模型时，梯度下降会不断调整权重以减少分类错误率，从而提高模型的预测能力。
这一页讲的是神经网络如何工作，举例猫狗分类器。重点包括输入层处理像素值、隐藏层提取特征、输出层预测分类概率。
这一页讲的是神经网络的工作原理，通过猫狗分类器的例子来说明。第一步是输入层（Input Layer），将原始图像转化为像素值，例如 RGB 值。第二步是隐藏层（Hidden Layers），网络逐层提取特征，早期层识别简单特征如边缘，深层则识别复杂特征如耳朵形状。第三步是输出层（Output Layer），网络为每个类别分配概率，例如 80% 是狗，20% 是猫，最终预测标签为狗。页面还强调，神经网络并不真正理解“猫”或“狗”的概念，它只是通过模式识别来分类，与人类通过符号推理理解事物的方式不同。右侧的图示展示了神经网络的结构，从输入到输出逐层处理信息，帮助理解其运作流程。
这一页讲的是逻辑神经网络的必要性，分析传统神经网络的局限性，包括黑箱问题、数据依赖、缺乏逻辑推理能力和错误敏感性，并通过医学图像预测的例子说明问题。
这一页讲的是为什么需要逻辑神经网络（Logic Neural Networks），重点分析传统神经网络的局限性。首先，黑箱问题（Black-box problem）指神经网络虽然强大，但缺乏可解释性，无法清楚说明预测结果的依据。其次，数据依赖性（Data dependency）意味着神经网络需要大量标注数据才能有效工作。第三，传统神经网络缺乏逻辑推理能力（Lack of logical reasoning），难以处理基于规则的推理任务。最后是错误敏感性（Error sensitivity），即神经网络可能在高置信度下做出错误预测。幻灯片通过一个医学图像预测的例子说明问题：一个训练好的神经网络可以预测疾病，但无法解释为什么某张图像表明癌症。这种情况下，医生不仅需要预测结果，还需要一个解释。这强调了逻辑与神经网络结合的重要性，能够提升模型的可解释性和推理能力，从而更好地满足实际需求。
这一页讲的是逻辑神经网络（Logic Neural Networks, LNNs）的必要性。逻辑提供了可解释性、减少数据依赖性和提高一致性，但单独使用逻辑难以扩展且无法处理不确定性。LNNs结合了逻辑和神经网络的优势。
这一页讲的是逻辑神经网络（Logic Neural Networks, LNNs）的必要性。首先，逻辑的优势包括：1. 增加可解释性（Add explainability），通过规则和约束提供透明的推理；2. 减少对数据的依赖（Reduces data dependency），基于知识的推理降低了对大数据的需求；3. 改善一致性（Improves consistency），逻辑约束可以防止输出矛盾。举例来说，一个用于贷款审批的 AI 不仅需要预测“批准/拒绝”，还需要提供理由，例如“因为工资高且信用评分好”。然而，单独使用逻辑的缺点包括：逻辑系统难以扩展（hard to scale），手动编写大量规则不切实际；逻辑难以处理不确定性（struggles with uncertainty），例如无法处理概率问题如“明天下雨的可能性是多少？”因此，逻辑神经网络（LNNs）作为解决方案，结合了逻辑和神经网络的优势，既能提供逻辑的透明性和一致性，又能处理复杂的、不确定的问题。
这一页讲的是如何将传统离散逻辑转换为可微分逻辑，使其适用于 AI。重点包括逻辑离散性问题、解决方案以及软逻辑运算符的定义。
这一页讲的是传统逻辑与神经网络的适配问题。传统逻辑是离散的（True/False），而神经网络处理的是连续值（0-1），因此需要将逻辑转换为可微分的操作，使 AI 能够学习和优化。解决方案是使用软逻辑（Soft Logic），它通过概率值（例如 0.8 表示可能为真）来代替严格的布尔逻辑（0 或 1）。表格展示了软逻辑运算符与传统布尔逻辑的对比：AND（与）在布尔逻辑中是 min(A, B)，而在软逻辑中是 A × B；OR（或）在布尔逻辑中是 max(A, B)，而在软逻辑中是 A + B - A × B；NOT（非）在两种逻辑中均为 1 - A。通过软逻辑，系统可以表达更灵活的概率，例如“有 75% 的可能性下雨”，而不是仅限于“要么下雨，要么不下雨”。这种方法使得逻辑操作更适合神经网络的连续优化过程，有助于提升 AI 的表现。
这一页讲的是为什么要把逻辑和神经网络结合起来，以及纯神经网络和纯逻辑系统各自的短板，从而引出逻辑神经网络（Logic Neural Networks, LNN）的必要性。纯神经网络的问题：黑盒（black-box），无法解释决策依据；需要大量标注数据；不擅长规则推理；可能给出自信但错误的预测。例子：医疗 AI 能判断影像里有没有癌症，但无法告诉医生"为什么判断是癌症"，而医生需要可解释的理由。纯逻辑系统的问题：规则要手写，规模上去之后不可行；无法处理不确定性（比如"明天降雨概率是多少"这种概率问题，纯布尔逻辑只能说"下雨"或"不下雨"）。LNN 的核心思路：把神经网络的学习能力和逻辑系统的推理能力结合起来。神经网络负责从数据中提取模式，逻辑约束确保输出的一致性和可解释性。考试中这一页的考法通常是"说出纯神经网络/纯逻辑系统的局限性各是什么"，或者"为什么 LNN 优于单独使用其中一种"。关键词要记住：explainability（可解释性）、data dependency（数据依赖）、logical consistency（逻辑一致性）、scalability（可扩展性）。
这一页讲的是软逻辑(Product-Sum)在 AI 中的应用，用于计算症状概率的逻辑运算。
这一页讲的是软逻辑(Product-Sum)在 AI 中的应用，具体场景是医院使用基于软逻辑的 AI 系统来评估患者患严重感染的可能性。幻灯片中列出了三个症状及其概率分数：发烧(Fever, F=0.9)、咳嗽(Cough, C=0.7)和呼吸急促(Shortness of Breath, SOB=0.5)。问题要求计算发烧或咳嗽(F∨C)的概率，使用软逻辑(Product-Sum)公式：A∨B=A+B−A×B。根据公式，首先将发烧的概率(0.9)和咳嗽的概率(0.7)相加，得到1.6；然后减去两者的乘积(0.9×0.7=0.63)，最终结果为0.97。答案是选项A。这种计算方法在软逻辑中很重要，因为它允许以概率的方式处理模糊逻辑，适用于医疗诊断等需要处理不确定性的场景。
这一页讲的是可微分逻辑（Differentiable Logic）的核心思想，以及软逻辑算子（Soft Logic Operators）的具体公式，这是 LNN 能够端到端训练的数学基础。问题的根源：传统逻辑是离散的（True/False，也就是 0 或 1），而神经网络工作在连续的 0 到 1 之间，两者无法直接结合——因为离散函数不可微，梯度无法传播。解决方案：把逻辑操作"软化"成连续函数，使其可微。三个核心软逻辑算子（Product-Sum 版本）：AND（∧）：A 乘以 B，即 A × B。直觉：两者都接近1时结果才接近1，有一个接近0结果就趋近0，符合AND语义。OR（∨）：A 加 B 减去 A 乘以 B，即 A + B - A × B。直觉：这是概率论中"两事件至少一个发生"的公式，也叫容斥原理。NOT（¬）：1 减 A，即 1 - A。例子：Fever = 0.9，Cough = 0.7，则 Fever OR Cough = 0.9 + 0.7 - 0.9 × 0.7 = 1.6 - 0.63 = 0.97。考试高频考点就是直接计算这些软逻辑表达式，要能熟练代入公式。易错点：OR 的公式不是直接加，因为直接加可能超过1，必须减去重叠部分 A × B。另外不要把 Product-Sum 版本和后面的 Lukasiewicz 版本搞混，两者公式不同。
这一页讲的是软逻辑 (Soft Logic) 在 AI 中的应用，重点是用乘积和 (Product-Sum) 计算概率。
这一页讲的是软逻辑 (Soft Logic) 在人工智能中的应用，特别是如何使用乘积和 (Product-Sum) 方法计算概率。题目描述了一家医院的 AI 系统，它根据患者症状分配概率分数，例如发烧 (Fever, F) 的概率是 0.9，咳嗽 (Cough, C) 的概率是 0.7，呼吸急促 (Shortness of Breath, SOB) 的概率是 0.5。问题要求计算发烧或咳嗽 (F ∨ C) 的概率，公式为 A ∨ B = A + B - A × B。通过代入数据，计算过程为 0.9 + 0.7 - (0.9 × 0.7)，即 1.6 - 0.63 = 0.97，最终答案是 A。这种方法的重要性在于它能够处理不确定性并结合多个条件，适用于医疗诊断等场景。
这一页讲的是软逻辑(Soft Logic)在 AI 中的应用，通过概率计算症状联合出现的可能性。
这一页讲的是软逻辑(Soft Logic)在 AI 中的应用，特别是如何利用软逻辑公式计算症状联合出现的概率。题目中给出三个症状的概率值：发烧(Fever, F)为 0.9，咳嗽(Cough, C)为 0.7，呼吸急促(Shortness of Breath, SOB)为 0.5。问题要求计算咳嗽与呼吸急促同时出现(C ∧ SOB)或发烧(F)的概率，即((C ∧ SOB) ∨ F)。软逻辑公式包括两个运算：与(A ∧ B)的计算公式为 A × B，或(A ∨ B)的计算公式为 A + B − A × B。根据公式，先计算 C ∧ SOB 的概率为 0.7 × 0.5 = 0.35，再计算 (C ∧ SOB) ∨ F 的概率为 0.35 + 0.9 − 0.35 × 0.9 = 0.935。因此，正确答案为 C) 0.935。这种方法在医疗 AI 系统中非常重要，因为它能处理不确定性并量化症状联合出现的可能性。
这一页讲的是软逻辑(Soft Logic)在 AI 中的应用，通过概率计算患者感染的可能性。重点是软逻辑公式的定义和计算过程。
这一页讲的是软逻辑(Soft Logic)如何用于 AI 系统中评估患者感染的可能性。软逻辑是一种基于概率的逻辑方法，用于处理模糊性。幻灯片中给出了三个症状的概率：发烧(Fever, F)=0.9，咳嗽(Cough, C)=0.7，呼吸急促(Shortness of Breath, SOB)=0.5。问题是计算“咳嗽与呼吸急促同时发生或发烧”的概率，即((C ∧ SOB) ∨ F)。软逻辑公式定义了两个操作：与(AND)计算为A ∧ B = A × B；或(OR)计算为A ∨ B = A + B − A × B。计算过程如下：首先计算C ∧ SOB = 0.7 × 0.5 = 0.35，然后计算(C ∧ SOB) ∨ F = 0.35 + 0.9 − (0.35 × 0.9) = 1.25 − 0.315 = 0.935。因此答案是C。这种方法对于处理不确定性和模糊性非常重要，尤其在医疗诊断中可以更灵活地评估复杂情况。
这一页讲的是 Logic Neural Networks (LNNs) 的定义和推理机制。主要包括它的 neural-symbolic 方法、逻辑一致性的重要性，以及通过语法树、激活函数和双向消息传递进行推理。
这一页讲的是 Logic Neural Networks (LNNs)，它是一种结合神经网络和符号逻辑的推理方法，主要用于命题逻辑和一阶逻辑。LNN 不仅依赖数据模式，还强调预测中的逻辑一致性，这是它的核心特点。推理机制方面，LNN 的网络结构基于语法树，节点表示逻辑元素，如“与”、“或”等。不同逻辑连接词有专属的激活函数，用于计算逻辑关系。此外，LNN 使用双向消息传递（bi-directional message passing），使信息在网络中流动并更新推理结果。右侧的图展示了一个例子：通过连接“Whiskers”、“Tail”等节点，推导出“Cat”和“Pet”的关系，体现了 LNN 的逻辑推理能力。扩展材料包括一篇论文和教程链接，帮助深入理解这一技术。
这一页讲的是逻辑神经网络 (Logic Neural Networks, LNNs) 的规则和逻辑公式。包含两个规则：1. 满足条件的实体被定义为 Cat；2. Cat 或 Dog 的实体被定义为 Pet。
这一页讲的是逻辑神经网络 (Logic Neural Networks, LNNs) 的规则及其逻辑公式的含义和操作。首先，规则 1 描述了一个实体如果同时具有 Whiskers 和 Tail，并且会追逐 Laser pointer，那么它可以被定义为 Cat。这使用了逻辑中的乘法操作 ⊗，表示 AND 的性质，即所有条件都必须满足。同时，公式中用到了逻辑蕴含符号 →，表示如果左侧条件成立，那么右侧结论必然成立。规则 2 描述了如果一个实体是 Cat 或 Dog，那么它可以被定义为 Pet。这使用了加法操作 ⊕，表示 OR 的性质，即至少一个输入条件为真即可满足。右侧的图表以树形结构展示了这两个规则的逻辑关系，帮助理解公式的层次和条件之间的连接。举例来说，如果一个实体有 Whiskers 和 Tail，并且追逐 Laser pointer，那么它是 Cat；如果一个实体是 Cat 或 Dog，那么它是 Pet。这些规则在逻辑神经网络中用于定义和推理实体的属性和关系。
这一页讲的是逻辑神经网络 (LNN) 的网络结构。重点包括逻辑神经元的作用、概率范围的定义，以及通过例子说明 OR 操作如何处理输入概率范围。
这一页讲的是逻辑神经网络 (Logic Neural Networks, LNN) 的网络结构。首先，逻辑神经元 (Logical Neurons) 是 LNN 的核心，每个神经元对应语法树中的一个节点，表示逻辑操作，网络结构遵循逻辑推理规则。其次，概率范围 (Probability Bounds, U 和 L) 是每个神经元的关键属性，用于表示子公式的概率值范围，其中 L 是下界，U 是上界。这种设计可以处理不确定性和部分真值。例如，页面的图中展示了一个 OR (∨) 操作：神经元∨表示 OR 操作的激活函数，神经元 cat 和 dog 分别表示两个输入的概率范围 (Lcat, Ucat 和 Ldog, Udog)。最终，神经元∨根据输入计算出新的概率范围 (L∨, U∨)。这个结构可以有效处理逻辑推理中的模糊性和不确定性，确保输出结果符合逻辑规则。
这一页讲的是逻辑神经网络（LNN）的网络结构，以及它如何用语法树（syntax tree）表示逻辑公式，并用概率区间（Probability Bounds）来处理不确定性。核心机制：LNN 把逻辑公式转化为语法树，树上每个节点对应一个逻辑操作，每个叶节点对应一个命题（如"Whiskers"）。整个网络就是这棵树，推理过程就是在树上传播概率区间。例子中的两条规则：规则1是 Whiskers ⊗ Tail ⊗ (Laser pointer → Chases) → Cat，其中 ⊗ 是类似AND的乘法操作，表示所有条件都要满足；规则2是 Cat ⊕ Dog → Pet，其中 ⊕ 是类似OR的加法操作，表示至少满足一个。概率区间 (L, U)：每个神经元不是存储一个确定的真值，而是维护一对下界 L 和上界 U，表示该子公式为真的概率范围。这样可以自然地表示不确定性——L = 0, U = 1 表示完全不知道；L = U = 1 表示确定为真；L = U = 0 表示确定为假。考试中需要理解：为什么用区间而不是单一值——因为逻辑推理中信息往往不完整，区间可以量化"我们知道多少"这件事。LNN 和普通神经网络的结构区别在于：LNN 的结构由逻辑公式决定，而不是随意堆叠的层。
这一页讲的是逻辑神经网络 (LNNs) 的工作流程，分为输入数据的读取和双向消息传递。重点包括初始边界设定和上下行消息传递机制。
这一页讲的是逻辑神经网络 (Logical Neural Networks, LNNs) 的工作流程，主要分为两个部分。第一部分是从数据中读取输入，包括公理和初始边界的设定。例如，若 dog 为假，则其上下边界均为 0；若 cat 为真，则其上下边界均为 1。其他神经元初始值设定为 L = 0, U = 1，表示完全不确定性。第二部分是双向消息传递直到收敛。上行传递 (Upward Pass) 根据子节点更新神经元的边界，例如若 dog 和 cat 影响 pet，则 pet 的真值边界根据 dog 和 cat 的状态计算。下行传递 (Downward Pass) 根据父节点更新神经元的边界，例如若 pet 为真 (U = 1, L = 1)，则需要调整子节点 dog 和 cat 的状态以保持一致性。这种机制确保逻辑神经网络能够动态调整节点间的逻辑关系，最终实现收敛。
这一页讲的是逻辑神经网络 (LNN) 中真值范围的逻辑解释。主要包括 L 和 U 的定义及其逻辑意义，以及如何通过范围判断真假性和矛盾。
这一页讲的是逻辑神经网络 (LNN) 中真值范围的逻辑解释。LNN 用上下界 L 和 U 表示真值范围，其中 0 ≤ L ≤ U ≤ 1。不同的范围对应不同的逻辑意义。表格列出了四种情况：当 L 和 U 都为 0.0 和 1.0 时，表示不确定性，没有信息；当 L ≤ α 且 U ≤ α 时，表示可能为假；当 L ≥ α 且 U ≥ α 时，表示可能为真；当 L > U 时，表示逻辑矛盾。下方的图表进一步可视化了这些范围的逻辑解释，例如未知状态对应范围较宽，而矛盾状态则是 L 超过 U 的情况。这些定义对理解 LNN 如何处理模糊逻辑和不确定性非常重要，可以帮助我们设计更精确的逻辑推理模型。举例来说，如果 α 表示某个条件的阈值，L 和 U 的范围可以帮助我们判断该条件是否满足或存在冲突。
这一页讲的是 LNN 推理的完整工作流程，包括输入初始化和双向消息传播（Bidirectional Message Passing）两个核心阶段。第一阶段——读取输入数据：已知事实（axioms）直接映射到叶节点的概率区间。如果某个命题已知为假（比如 ¬dog），则 Ldog = 0, Udog = 0；如果已知为真（比如 cat），则 Lcat = 1, Ucat = 1；所有未知命题初始化为 L = 0, U = 1（完全不确定）。第二阶段——双向消息传播直至收敛：上行传播（Upward Pass）：从叶节点向根节点传播，父节点根据子节点的区间更新自己的区间。例子：dog 和 cat 的概率区间通过 OR 操作计算出 pet 的概率区间。下行传播（Downward Pass）：从根节点向叶节点传播，父节点反向约束子节点。例子：如果 pet 已知为真（L = 1, U = 1），那么子节点 dog 或 cat 至少一个必须调整以保持逻辑一致。这种双向传播是 LNN 区别于普通前向神经网络的关键——它不仅能推断结论，还能反向约束前提，实现类似人类演绎推理的效果。收敛后读取目标节点的 (L, U) 区间，再按阈值 α 判断真假。考试关键：要理解上行和下行传播各自的作用，以及为什么需要迭代直至收敛而不是只传播一次。
这一页讲的是三值逻辑 (Three-Valued Logic) 的基本规则与应用，包括 AND (∧) 和 OR (∨) 的关键观察点及其结果。
这一页讲的是三值逻辑 (Three-Valued Logic)，它扩展了传统的二值逻辑 (True 和 False)，加入了第三种状态：不确定 (Uncertain, 用 U 表示)。表格展示了 A 和 B 的不同组合下，逻辑操作 AND (∧) 和 OR (∨) 的结果。对于 AND (∧)，如果任意一个值是 False，结果就是 False；如果两个值都是 True，结果是 True；如果有一个值是 Uncertain，结果通常是 Uncertain，但如果与 False 结合，结果仍是 False。对于 OR (∨)，如果任意一个值是 True，结果就是 True；如果两个值都是 False，结果是 False；如果有一个值是 Uncertain，结果通常是 Uncertain，但如果与 True 结合，结果仍是 True。这种逻辑在处理不确定性数据时非常重要，例如在人工智能和逻辑神经网络 (Logic Neural Networks, LNNs) 中，可以帮助模型更好地理解和推理复杂的逻辑关系。
这一页讲的是 LNN 中概率区间 (L, U) 的逻辑含义解读，即如何用下界和上界来判断一个神经元是"真"、"假"、"不确定"还是"矛盾"。四种状态的判断规则（阈值为 α，通常取 0.5）：L = 0, U = 1 → 不确定（Uncertain）：没有任何信息，完全不知道。L ≤ α 且 U ≤ α → 假（False）：上界都低于阈值，说明很可能是假的。L ≥ α 且 U ≥ α → 真（True）：下界都高于阈值，说明很可能是真的。L > U → 矛盾（Contradiction）：下界超过上界，逻辑上不可能，说明推理中存在冲突。直觉：L 代表"至少有多确信它是真的"，U 代表"最多有多确信它是真的"。正常情况下 L ≤ U，如果 L > U 说明来自不同方向的约束产生了冲突。举个例子（α = 0.5）：L = 0.3, U = 0.7，区间跨越了 α 两侧，所以是不确定；L = 0.6, U = 1.0，两端都大于 α，所以是真；L = 0.0, U = 0.3，两端都小于 α，所以是假。考试中最常见的考法是给出具体的 L, U 值和 α，让你判断是哪种状态，或者给一个推理题让你把区间计算出来再做判断（如 Exercise 7 和 Exercise 8）。矛盾状态（L > U）是理论题常考的概念，需要能解释其含义。
这一页讲的是 Logic Neural Networks (LNNs) 的真值范围问题，重点是通过 L、U 和 α 的关系判断神经元的真值状态。
这一页讲的是 Logic Neural Networks (LNNs) 中神经元的真值范围问题。题目给出了神经元的下界 L=0.3，上界 U=0.7，以及阈值 α=0.5，要求判断神经元的真值状态。L 表示神经元的最小可能真值，U 表示最大可能真值，而 α 是判断真值的阈值。当 L < α < U 时，神经元的真值是不确定的，因为它的范围跨越了阈值，无法明确地判断为真或假。因此，这道题的正确答案是 C，表示神经元的真值不确定。这种分析方法在 LNNs 中非常重要，因为它能够处理模糊逻辑和不确定性，为复杂系统的逻辑推理提供支持。例如，在语义分析中，某些信息可能部分真或部分假，使用这种方法可以帮助更准确地建模和推理。
这一页讲的是 Logic Neural Networks (LNNs) 中神经元的真值范围与不确定性。主要分析了 L=0.3, U=0.7, α=0.5 时神经元的状态，结论为真值不确定。
这一页讲的是 Logic Neural Networks (LNNs) 中神经元的真值范围与不确定性问题。题目给出的条件是神经元的真值范围下界 L=0.3，上界 U=0.7，以及阈值 α=0.5。根据这些参数，真值范围跨越了阈值 α=0.5 的两侧，这意味着神经元的状态既不能被明确归类为“真”（true），也不能被明确归类为“假”（false）。因此，答案选 C，即神经元的真值是不确定的。这种分析在 LNNs 中很重要，因为它帮助我们理解逻辑神经网络如何处理模糊或不确定的数据。举个例子，如果一个神经元的真值范围完全低于 α（例如 L=0.2, U=0.4），它可以被归类为“假”；而如果范围完全高于 α（例如 L=0.6, U=0.8），它可以被归类为“真”。但当前情况是范围跨越了 α，因此真值是不确定的。这种机制对于处理复杂逻辑推理问题非常关键。
这一页讲的是使用逻辑神经网络（LNN）判断物体是否危险的推理过程。关键点包括属性的真值范围、分类阈值和逻辑规则。
这一页讲的是通过逻辑神经网络（LNN）训练机器人助手来判断物体是“安全”还是“危险”的推理过程。首先，物体的两个属性“Sharp”（尖锐）和“Heavy”（沉重）分别有对应的真值范围：Lsharp = 0.2, Usharp = 0.8；Lheavy = 0.6, Uheavy = 1.0。分类时使用的阈值 α = 0.5。逻辑规则定义为危险（Dangerous）是“Sharp 或 Heavy”（Sharp ∨ Heavy）。根据这些信息，推理出物体是否危险。选项中给出四种可能的分类结果：A）物体绝对危险；B）物体绝对安全；C）物体不确定（可能危险但不确定）；D）物体处于逻辑冲突状态。通过分析真值范围和逻辑规则，可以判断物体的危险性。比如，当属性的下界值和上界值跨越分类阈值时，物体可能处于不确定状态。
这一页讲的是逻辑神经网络(LNNs)中的危险性判断规则。重点包括 Heavy 属性为真、Sharp 属性不确定，以及逻辑规则 Dangerous←(Sharp∨Heavy)。
这一页讲的是逻辑神经网络(LNNs)如何通过属性判断物体是否危险。首先，Heavy 属性的下界 L=0.6 和上界 U=1.0 都大于阈值 α=0.5，因此 Heavy 属性被判断为 True。其次，Sharp 属性的下界 L=0.2 和上界 U=0.8 跨越了阈值 α=0.5，因此 Sharp 属性被认为是不确定的。逻辑规则 Dangerous←(Sharp∨Heavy) 表示只要 Sharp 或 Heavy 中有一个为真，就可以判定物体是危险的。由于 Heavy 属性已经确定为 True，即使 Sharp 属性不确定，物体仍然被判定为 Definitely Dangerous。这种逻辑推理方法在 LNNs 中非常重要，能够处理不确定性并得出明确结论。
这一页讲的是逻辑神经网络 (Logic Neural Networks, LNNs) 的基础逻辑和操作。重点包括基础激活函数和逻辑 AND 操作的定义与例子。
这一页讲的是逻辑神经网络 (Logic Neural Networks, LNNs) 中的 Łukasiewicz 风格逻辑。首先，基础激活函数 f(x) 定义为 max(0, min(1, x))，它确保输出始终在 [0, 1] 范围内，同时保持可微性，这是逻辑神经网络设计中的重要特性。其次，逻辑 AND 操作定义为 f(1 - Σ_i(1 - x_i))，即通过对所有输入的反向值求和后进行激活函数处理。这种定义确保只有当所有输入值都较高时，输出的真值才会较高。幻灯片通过两个例子说明：当 x1=1, x2=0.5 时，AND(x1, x2) 的结果是 f(0.5)=0.5；而当 x1=0, x2=0 时，AND(x1, x2) 的结果是 f(-1)=0。这些例子展示了逻辑操作如何根据输入值的变化调整输出值，体现了逻辑神经网络的灵活性与逻辑性。
这一页讲的是 LNN 中三值逻辑（Three-Valued Logic）的真值表，包含真（T）、假（F）、不确定（U）三种状态下 AND 和 OR 的运算规则。这是对布尔二值逻辑的扩展，用来处理信息不完整的情况。AND（∧）的关键规则：任何一个操作数为 F，结果为 F（无论另一个是什么）；两个都是 T，结果为 T；有一个是 U（另一个是 T），结果为 U。直觉：AND 需要双方都"同意"，如果有一方明确拒绝（F），结果就是否定；如果有一方不确定，结论也传播不确定。OR（∨）的关键规则：任何一个操作数为 T，结果为 T（无论另一个是什么）；两个都是 F，结果为 F；有一个是 U（另一个是 F），结果为 U。直觉：OR 只需要一方"同意"，如果有一方明确同意（T），结果就是肯定；如果没有一方明确同意，结论也传播不确定。Exercise 8 就用到了这个逻辑：Heavy 是真，Sharp 是不确定，Sharp ∨ Heavy = T（因为有一个操作数为真，OR 结果为真），所以 Dangerous 是真。考试易错点：U 在 AND 里只有和 T 配对时才保持 U；U 在 OR 里只有和 F 配对时才保持 U。不要把 U 当成一个"中间值"简单地"传染"——它是有具体规则的。
这一页讲的是 Łukasiewicz-like Logic 中的逻辑 OR 操作，强调至少一个输入为高时输出为高，并通过例子展示其计算过程。
这一页讲的是 Łukasiewicz-like Logic 中的逻辑 OR 操作。逻辑 OR 的计算公式是通过对所有输入 x 的总和进行函数 f 的处理来得到输出值。关键点是，只要至少一个输入值较高，输出的真值就会较高。页面中提供了两个例子：第一个例子中，输入 x1=1 和 x2=0.5，通过公式计算 OR(x1, x2)=f(1+0.5)=f(1.5)=1，说明当至少一个输入较高时，输出为高；第二个例子中，输入 x1=0 和 x2=0，通过公式计算 OR(x1, x2)=f(0+0)=f(0)=0，说明当所有输入为低时，输出为低。这种逻辑操作在逻辑神经网络（LNNs）中非常重要，因为它能够模拟复杂的逻辑关系，帮助模型处理非线性问题。
这一页讲的是 LNN 使用的 Lukasiewicz-like（卢卡谢维茨风格）逻辑算子的具体数学公式，这是实现可微分逻辑的另一种方案。基础激活函数：f(x) = max(0, min(1, x))，也叫截断线性函数（clamp to [0, 1]）。作用是确保输出始终在 0 到 1 之间，同时保持可微（除端点外处处可微，利于梯度传播）。AND 公式：所有输入 xi 的 AND 等于 f(1 - 求和(1 - xi))，展开理解就是先把每个 xi 取补（1 - xi 表示"不是 xi 的程度"），求和后再取补（1 减回来），最后用 f 截断。直觉：如果所有输入都高（接近1），那么每个 1-xi 都接近0，求和也小，1 减一个小数还是大的，AND 结果高；如果有一个输入是0，那 1-xi = 1，求和至少为1，1 - 求和 ≤ 0，f 截断后为0，AND 为假。例子：x1 = 1, x2 = 0.5，AND = f(1 - (0 + 0.5)) = f(0.5) = 0.5。OR 公式：所有输入 xi 的 OR 等于 f(求和 xi)，直接求和再截断。例子：x1 = 1, x2 = 0.5，OR = f(1.5) = 1（被截断）。注意这和前面 Product-Sum 软逻辑的公式不同！Lukasiewicz AND 用的是"求补求和再求补"，而 Product-Sum AND 用的是连乘。考试如果给了具体公式并要求计算，一定要看清楚用的是哪种体系，不能混用。
这一页讲的是逻辑神经网络（LNN）的推理和收敛过程，重点在双向信息传递。主要包括读取输入数据、上下方向的信息传播以及目标神经元的边界检查。
这一页讲的是逻辑神经网络（Logic Neural Networks, LNN）的推理和收敛机制。首先，LNN从数据中读取输入，包括公理和事实，这些输入会映射到神经元的真值边界。其次，LNN通过双向信息传递实现收敛：向上传递从叶节点（输入数据）开始，逐步传播到更高层级，例如“Whiskers”和“Tail”结合后影响“Cat”，确保逻辑规则逐步评估；向下传递从高层逻辑规则开始，逐步影响低层节点，例如“Pet”影响“Cat”和“Dog”的真值边界，确保网络逻辑一致性。最后，当信息传递完成后，目标神经元的真值边界被确定，从而支持推理和决策。右侧图示展示了节点间的关系，例如“Whiskers”和“Tail”通过逻辑操作影响“Cat”，以及“Pet”与“Cat”和“Dog”的连接。这种方法通过逻辑规则的双向传播，确保网络的推理过程准确且一致。
这一页讲的是总结与问答环节，表达感谢并邀请提问。
这一页讲的是总结与问答环节，幻灯片以“Thank you”和“Q&A”字样结束，表明演讲或课程内容已经完成，向观众表达感谢，并开放提问环节。这种设计通常用于课程、会议或演讲的最后一页，目的是总结内容并与听众互动。问答环节非常重要，因为它提供了一个机会让听众澄清疑问、深入探讨相关主题，同时也有助于演讲者了解听众的关注点和反馈。这一页虽然简单，但在整个演讲中起到承上启下的作用，既结束了内容，又开启了互动交流。