본 논문은 하이브리드 시스템 내에서 신경상징(NeSy) 과제의 학습 가능성을 분석합니다. NeSy 과제의 학습 가능성은 유도된 제약 만족 문제(DCSP)로 특징 지을 수 있음을 보입니다. 특히, 해당 DCSP가 유일한 해를 가지면 과제는 학습 가능하고, 그렇지 않으면 학습 불가능합니다. 학습 가능한 과제의 경우, 가설 공간의 클러스터링 특성을 이용하여 오차 경계를 설정합니다. 또한 일반적인 NeSy 과제에 대한 점근적 오차를 분석하여 예상 오차가 해 간의 불일치와 비례함을 보입니다. 본 연구 결과는 학습 가능성을 결정하는 원칙적인 접근 방식을 제공하고 새로운 알고리즘 설계에 대한 통찰력을 제공합니다.
