본 논문은 신경망과 가능성 기반 규칙 시스템을 결합한 신경 기호 접근 방식을 제시합니다. 신경망은 저수준 인식 작업(입력 인스턴스에 대한 중간 개념의 확률 추론)을, 가능성 기반 규칙 시스템은 고수준 추론 작업((메타)개념에 대한 소속 가능성 정도 도출)을 수행합니다. 신경망의 확률 분포 출력을 가능성 분포로 변환하여 저수준 인식과 고수준 추론을 연결합니다. 중간 개념은 분류 결과에 대한 설명을 제공하며, 가능성 기반 규칙 시스템을 통해 (메타)개념에 대한 분류를 정당화합니다. 기술적으로는 가능성 기반 규칙 시스템과 관련된 행렬 관계 및 방정식 시스템을 효율적으로 정의하는 방법을 제시하며, 일관성 없는 퍼지 관계 방정식 처리에 대한 최근 연구 결과를 활용하여 다중 훈련 데이터에 따른 규칙 매개변수 학습 방법을 제시합니다. MNIST 덧셈 문제와 수도쿠 퍼즐 문제에 대한 실험을 통해 기존 신경 기호 접근 방식보다 효과적임을 보여줍니다.
