# APRICOT近似编译框架

概率神经符号推理要把神经预测与符号约束结合，核心是计算权重模型计数，而精确计算是#P难问题，现有方法各自在不同环节引入近似。APRICOT把自底向上的编译统一成三步流水线，用张量列分解实例化因子编译与乘积重压缩，在数独、算术推理和场景理解共六项任务上给出比先前方法精确几个数量级的权重模型计数估计，并在符号因子紧密耦合的任务上带来更好的下游学习。

概率神经符号推理要把神经预测与符号约束结合，核心是计算权重模型计数，而精确计算是#P难问题，现有方法各自在不同环节引入近似。APRICOT把自底向上的编译统一成三步流水线，用张量列分解实例化因子编译与乘积重压缩，在数独、算术推理和场景理解共六项任务上给出比先前方法精确几个数量级的权重模型计数估计，并在符号因子紧密耦合的任务上带来更好的下游学习。