본 논문은 기존 신경기호(NeSy) 학습의 과도한 레이블 데이터 의존성 문제를 해결하기 위해 새로운 학습 패러다임인 검증 학습(VL)을 제시합니다. VL은 레이블 기반 추론 과정을 레이블 없는 검증 과정으로 전환하여 레이블 없는 데이터와 예측이 규칙에 부합하는지 검증하는 함수만을 사용하여 우수한 학습 결과를 달성합니다. 본 논문은 이 문제를 제약 최적화 문제(COP)로 공식화하고, 검증 시도를 줄여 계산 비용을 제약 만족 문제(CSP) 수준으로 낮추는 동적 조합 정렬(DCS) 알고리즘을 제안합니다. 또한, 지름길 문제를 해결하기 위해 사전 정렬 방법을 도입합니다. 이론적 분석을 통해 어떤 NeSy 작업이 레이블 없이 완료될 수 있는지, 그리고 덧셈과 같이 일부 작업에서는 규칙이 무한한 레이블을 대체할 수 있는 반면, 스도쿠와 같이 다른 작업에서는 규칙이 효과가 없는 이유를 설명합니다. 덧셈, 정렬, 매칭, 체스 등 여러 가지 완전히 비지도 학습 작업을 통해 제안된 프레임워크의 성능과 효율성 향상을 검증합니다.
