MT-PDCL的基础：测度论概率确定子句逻辑

# MT-PDCL基础：测度论概率确定子句逻辑
来源：https://arxiv.org/html/2608.13018

Costin Bădică
所属机构：计算机与信息技术系
所属机构：克拉约瓦大学
所属机构：克拉约瓦，罗马尼亚
邮箱：[costin\.badica@edu\.ucv\.ro](mailto:)

Amelia Bădică
所属机构：商业信息系
所属机构：克拉约瓦大学
所属机构：克拉约瓦，罗马尼亚
邮箱：[amelia\.badica@edu\.ucv\.ro](mailto:)

2026年7月

###### 摘要

标准的概率逻辑编程框架通常依赖于将逻辑程序基化为离散命题表示。这种操作要求将精确推理限制在有限域和离散概率分布上。在本文中，我们引入了测度论概率确定子句逻辑（MT-PDCL），这是一个通用的基础性框架，消除了有限域限制。通过在有界指标域上显式定义随机变量，并为解释空间配备标准Borel σ-代数，MT-PDCL允许逻辑变量原生地在连续可测空间上运行。基于连续分布语义，MT-PDCL将概率规则建模为相互独立的因果事件。然而，与通过有限布尔电路聚合这些推导不同，声明式蕴涵通过在连续测度空间上进行精确勒贝格积分来形式化定义。我们引入了一个连续直接后果算子，将连续先验分布的积分与精确连续观测的评估统一起来。我们证明，该方法用精确、代数化且结构可微的推理取代了离散基化的组合瓶颈。虽然这种转变将离散组合问题换成了维数的几何灾难，但它实现了连续概率模型的表达能力，同时保留了确定子句逻辑纯粹的声明式语法。

## 1 引言

通过可能世界上的概率测度为逻辑句子分配概率的基础方法由Nilsson[Nil86](https://arxiv.org/html/2608.13018#bib.bibx26)确立。在此基础上，PRISM[SK97](https://arxiv.org/html/2608.13018#bib.bibx29)和ProbLog[DRKT07](https://arxiv.org/html/2608.13018#bib.bibx12)等概率逻辑编程语言引入了分布语义来评估逻辑查询的概率。该方法假设所有基本概率事实相互独立，从而在所有可能世界上定义了一个单一的、显式的概率分布。然而，在这些世界上计算精确概率造成了显著的操作瓶颈。为了评估一个派生查询，系统必须对查询成立的具体离散状态的概率求和。这一操作迫使系统将一阶逻辑程序基化为离散命题表示，例如二元决策图（BDDs）[Bry86](https://arxiv.org/html/2608.13018#bib.bibx7)或句子决策图（SDDs）[Dar11](https://arxiv.org/html/2608.13018#bib.bibx9)。这种对命题化的依赖从根本上将精确推理限制在有限域和离散概率分布上。最近神经符号人工智能的进展引入了将可微组件与逻辑编程相结合的框架，例如DeepProbLog[MDK\+21](https://arxiv.org/html/2608.13018#bib.bibx22)和TensorLog[CYM20](https://arxiv.org/html/2608.13018#bib.bibx8)。虽然这些系统能够成功处理连续表示（如神经网络参数或特征张量），但其底层逻辑语义通常仍然局限于有限域。例如，DeepProbLog将神经网络输出评估为概率事实，但其逻辑推理引擎仍然依赖离散命题化。当前迫切需要一种概率逻辑框架，能够使逻辑变量原生地在连续空间上运行，完全绕过有限布尔基化的需求，同时保持完全可微，以便与当代深度学习集成。为弥补这一空白，我们引入了测度论概率确定子句逻辑（MT-PDCL）。本文的主要贡献如下：

- **连续声明式语义**：为解释空间和显式有界的随机指标域配备标准Borel σ-代数[Kec95](https://arxiv.org/html/2608.13018#bib.bibx18)，消除了有限域限制。逻辑变量作为确定性占位符，原生地在可测连续空间（例如\(\mathbb{R}^n\)的有界子集）上求值。
- **连续分布语义**：将经典分布语义扩展到无限域，MT-PDCL通过独立连续变量和概率因果事件定义可能世界。声明式蕴涵被形式化定义为逻辑有效可能世界的精确勒贝格积分，并在逻辑程序定义的几何边界上求值。
- **连续后果算子**：我们将直接后果算子（\(\mathbb{T}_{\mathcal{K}}\)）推广为在连续概率密度上进行代数运算。它利用精确积分进行连续边际化，并采用连续Noisy-OR公式聚合析取推导，在数学上绕过了离散基化。
- **可微神经符号基础**：我们形式化证明了该连续算子收敛到一个良定义的最小不动点，并且处处可微，提供了结构透明、非负的梯度信号，确保神经符号深度学习中的稳定路由。

本文其余部分结构如下。第2节定义了MT-PDCL的形式语法。第3节建立了精确的测度论语义，从连续变量域和指标界限到形式化声明式蕴涵与连续查询语义。第4节提供了这些声明式蕴涵的具体示例。第5节引入了连续直接后果算子，并证明了其理论性质，包括不动点收敛、操作完整性界和神经符号可微性。第6节将我们的方法与现有概率和神经符号框架进行了比较。第7节通过具体的连续执行轨迹评估了动态后果算子，并将这些示例与现有方法进行比较，以突出具体的操作局限性。第8节概述了分析可计算性和可处理性的理论边界，第9节进行总结。

## 2 MT-PDCL的语法

为形式化MT-PDCL，我们定义其项、谓词和规则的递归语法，确保逻辑推理与连续概率生成之间的严格分离。设\(\mathcal{L}(\mathcal{C},\mathcal{R})\)为一阶语言，其中\(\mathcal{C}\)是有限常量符号集，\(\mathcal{R}\)是有限谓词符号集。为了区分用户定义的逻辑关系与标准数学运算符及连续概率分布，\(\mathcal{R}\)被划分为三个不相交子集：\(\mathcal{R}=\mathcal{R}_{u}\cup\mathcal{O}\cup\mathcal{R}_{s}\)。

- \(\mathcal{R}_{u}\) 包含用户定义的逻辑关系符号。
- \(\mathcal{O}\) 包含表示标准代数和集合论运算符（如\(<,\leq,=,\in\)）的内置基础谓词符号。
- \(\mathcal{R}_{s}\) 包含随机谓词符号，它们充当与连续环境的接口。

遵循标准逻辑编程语义，变量的作用域局部于其子句。我们假设程序是标准化分离的（standardized apart），即所有变量都被重命名，使得不同子句之间的变量唯一。设\(\mathcal{V}\)表示这个全局有限的、具有唯一名称的逻辑变量集合。在MT-PDCL中，这些变量是用于标准合一（unification）的确定性占位符；它们本身不是随机变量。

**项**：项\(t\in\mathcal{T}\)要么是逻辑变量\(X\in\mathcal{V}\)，要么是常量符号\(c\in\mathcal{C}\)。为了原生支持混合连续域和离散域，常量集合\(\mathcal{C}\)包括显式数值（如30.0、4.2）、类别符号（如severe\_hot、critical），以及数学区间（如[0,10]）和有限集合（如{1,2,3}）。这使得内置