Este artículo presenta un enfoque novedoso para mejorar la eficiencia de la inferencia basada en lógica en la metodología Neural Symbolic (NeSy). La metodología NeSy existente maneja relaciones complejas mediante lógica de primer orden, pero la inferencia completa, considerando todas las permutaciones posibles, resulta computacionalmente costosa. Inspirado en la inferencia simbólica multinivel, este artículo propone un conjunto de metodologías parametrizadas de establecimiento de bases que generalizan la inferencia regresiva clásica. Estas metodologías permiten controlar el equilibrio entre expresividad y escalabilidad, y realizar inferencias sin pérdida de información y con justificación teórica en comparación con los métodos heurísticos existentes. Los resultados experimentales muestran que la elección de los criterios de establecimiento de bases es tan importante como el propio método NeSy.
