연구진은 신경-기호 모델이 최종 레이블만으로 학습될 때 발생하는 '추론 지름길' 문제를 해결하기 위해 Soft-PNet을 제안했다. 기존 프로토타입 네트워크는 과제별로 직접 설계한 미분 가능 손실 함수가 필요했지만, Soft-PNet은 이를 제거하고 개념 접지 문제를 사전 계산된 기호 해 캐시 위의 메트로폴리스 워크로 재구성하며, 개념당 하나의 라벨링된 앵커로 구축한 프로토타입 분포를 활용해 프로토타입 가중 캐시와 네트워크 예측 간 단일 KL 목적함수로 학습한다. MNIST-EvenOdd, Visual Sudoku, Kand-Logic 과제에서 희소 감독 조건 하에 손실을 직접 설계한 기존 프로토타입 네트워크와 동등한 개념·레이블 정확도를 달성했고, 손실 설계 없이 학습 시간까지 줄였다. 과제별 손실 재설계 없이 여러 신경-기호 과제에 적용 가능한 범용 방법을 제시한다.

• •최종 레이블만으로 학습 시 발생하는 '추론 지름길' 문제 해결을 위한 Soft-PNet 제안
• •과제별 맞춤 미분가능 손실을 제거하고 개념 접지를 메트로폴리스 워크로 재구성
• •개념당 1개 라벨 앵커로 구축한 프로토타입 분포와 단일 KL 목적함수로 학습
• •MNIST-EvenOdd, Visual Sudoku, Kand-Logic에서 손실 설계된 기존 기법과 동등한 성능 달성
• •손실 엔지니어링 없이 더 낮은 학습 시간으로 개념 복원 성능 확보