arXiv · cs.AI· Riccardo Andreoni, Massimiliano Ronzani, Chiara Ghidini, Alessandro Daniele, Emile van Krieken·· 6 小时前
CGWM：用神经符号学习构建可解释世界模型
Neurosymbolic Learning of Interpretable World Models
arXiv:2610.19955v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Riccardo Andreoni, Massimiliano Ronzani, Chiara Ghidini, Alessandro Daniele, Emile van Krieken
研究任务与主要进展
研究提出概念接地世界模型 CGWM，将从观测中学习的概念表示与显式、完整的时序逻辑知识结合，并通过可微推理和梯度上升直接优化行动以满足目标。基于论文摘要，CGWM 在两个游戏环境中比纯神经基线和神经符号基线更准确地落地概念，在长时间范围及分布内外规划中表现出更强的稳健性。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org