본 보고서는 Spectral Neuro-Symbolic Reasoning (Spectral NSR) 프레임워크를 확장하여 세 가지 의미론적 기반 향상 기능을 도입했습니다. (1) 컨텍스트 임베딩(예: Sentence-BERT, SimCSE)을 사용하는 변환기 기반 노드 병합을 통해 중복성을 줄이고, (2) 사전 훈련된 NLI 분류기(예: RoBERTa, DeBERTa)를 사용한 문장 수준의 함의 유효성 검사를 통해 가장자리 품질을 개선하며, (3) 누락된 컨텍스트를 보강하기 위해 외부 지식 그래프(예: ConceptNet, Wikidata)와의 정렬을 수행합니다. 이러한 수정 사항은 핵심 스펙트럼 추론 파이프라인을 유지하면서 그래프 충실도를 향상시킵니다. ProofWriter, EntailmentBank 및 CLUTRR 벤치마크에 대한 실험 결과는 일관된 정확도 향상(최대 +3.8%), 적대적 사례에 대한 일반화 개선, 추론 노이즈 감소를 보여줍니다. 이 연구의 참신함은 스펙트럼 추론 단계의 완전히 상류에서 의미론적 및 기호적 정제를 수행하여 2차 주의 메커니즘에 의존하지 않고 효율적이고 해석 가능하며 확장 가능한 추론을 가능하게 하는 데 있습니다.
