# 神经符号框架

青光眼自动筛查模型换一家医院、换一台相机就明显失准，一项神经符号框架把解剖图推理与可微模糊临床规则组合进同一网络，用取自八个数据集、八个国家共12,619张眼底图的9,100张训练，并以西班牙另一家医院、另一款相机拍摄的485张RIM-ONE图像做完全留出的跨院测试。在分布内测试集上，EfficientNet-B4加图注意力网络的配置取得0.9612的AUC（95%置信区间0.951–0.972），高于仅用EfficientNet-B4的0.9472；但两者合用后跨院AUC为0.6155，比基线低8.1个百分点。

青光眼自动筛查模型换一家医院、换一台相机就明显失准，一项神经符号框架把解剖图推理与可微模糊临床规则组合进同一网络，用取自八个数据集、八个国家共12,619张眼底图的9,100张训练，并以西班牙另一家医院、另一款相机拍摄的485张RIM-ONE图像做完全留出的跨院测试。在分布内测试集上，EfficientNet-B4加图注意力网络的配置取得0.9612的AUC（95%置信区间0.951–0.972），高于仅用EfficientNet-B4的0.9472；但两者合用后跨院AUC为0.6155，比基线低8.1个百分点。

SymAnt把场景图与知识图谱合并成一张联合图，用图搜索得到的符号上下文作为迭代解码的起点，从而在很短的观察窗口内预测较长的动作序列。在Breakfast与50 Salads的短观察设置中，它的平均类别准确率高于神经符号基线NeSCA和若干大模型基线；在EPIC-KITCHENS上，3M参数的模型与参数量达数十亿的微调大模型处于相近水平。由于预测锚定在可编辑的图上，用户可以在推理时增删节点来改变预测，无需重新训练。

SymAnt把场景图与知识图谱合并成一张联合图，用图搜索得到的符号上下文作为迭代解码的起点，从而在很短的观察窗口内预测较长的动作序列。在Breakfast与50 Salads的短观察设置中，它的平均类别准确率高于神经符号基线NeSCA和若干大模型基线；在EPIC-KITCHENS上，3M参数的模型与参数量达数十亿的微调大模型处于相近水平。由于预测锚定在可编辑的图上，用户可以在推理时增删节点来改变预测，无需重新训练。

该工作提出 Law&Order 神经符号框架，通过结构对应与指称对应两种法律—逻辑对应关系，结合大语言模型合成、单元格级验证与基于人工编写的 OpenTaxSolver 申报表的迭代局部错误修复，将税法表格与填报说明自动形式化为可执行符号程序，并在从未参与生成或修复的独立留出 TaxCalcBench 申报表上评估：最强 LLM 仅达 66% 准确率，而 Law&Order 在 51 份留出申报表上达到 100% 单元格级与表格级准确率。

该工作提出 Law&Order 神经符号框架，通过结构对应与指称对应两种法律—逻辑对应关系，结合大语言模型合成、单元格级验证与基于人工编写的 OpenTaxSolver 申报表的迭代局部错误修复，将税法表格与填报说明自动形式化为可执行符号程序，并在从未参与生成或修复的独立留出 TaxCalcBench 申报表上评估：最强 LLM 仅达 66% 准确率，而 Law&Order 在 51 份留出申报表上达到 100% 单元格级与表格级准确率。