基本框架：反绎学习

基于反绎学习和基因知识库的基因表达预测的基本框架总括

---

近年来，神经-符号人工智能（Neural-Symbolic AI）作为一种结合机器学习和知识推理的新人工智能范式，逐渐成为人工智能学科重点关注的研究领域。由南京大学周志华教授团队提出的反绎学习 （Abductive Learning，ABL）是一种具有代表性的神经-符号学习方法[1],[2]，通过逻辑反绎（Logical Abduction）实现机器学习模型中对领域知识的利用，已在多种现实任务中展示出较好的性能。

1. 神经-符号人工智能

神经-符号人工智能是一类整合机器学习（神经人工智能）和知识推理（符号人工智能）的方法，旨在结合两者的长处并弥补其不足。

机器学习模仿人类智能中的直觉和学习预测能力。其通过概率和统计方法，以概率分布建模数据集，并基于假设的分布对未知样本进行预测。同时，知识推理通过基于数理逻辑的严格推断，准确地反映某一系统的，由抽象的领域知识导出的代数结构，具有较好的可解释性。

通过结合神经和符号系统，神经-符号人工智能可能产生更强大、更精准的模型。例如，在生命科学领域中，基于概率的学习可以由历史数据发现特定模式，并依此对可能的生物机制提出假设或解释；而逻辑推理可以保证其假设严格遵守高层次的生物学原理。

2. 反绎学习

反绎学习是一种前沿的神经-符号范式，通过逻辑反绎，在机器学习系统的训练过程中利用形式化为一阶逻辑（First-Order Logic, FOL）规则的领域知识，从而减轻机器学习模型对数据的依赖，增强系统整体的可靠性与可解释性。

反绎是逻推理一种形式，其推断方式为基于背景知识（Background Knowledge），对给定观察（Observation），寻找该观察最有可能的背后机制或解释。

反绎学习由学习和推理两部分组成。在学习阶段，在有标签（Labeled）数据集上训练一个学习模型，称为基学习器（Base Learner），并预测其在无标记数据样本（Unlabeled Data）上的结果，称之为伪标签（Pseudo-Labels）；在推理阶段，推理器基于背景知识，对伪标签进行修正，以保证其和背景知识的逻辑一致性（Consistency），并使用修正的标签重新训练基学习器。上述过程将持续迭代运行，直至模型收敛。

---