非零半径：神经网络缺失的组件

论文提出用非零半径球体表示概念，并构建可做三段论推理的 SphNNs。

资讯摘要

论文回顾 McCulloch 与 Pitts 的神经元模型，指出传统神经网络将向量视为零半径球体，因而难以进行可靠的符号推理。作者放宽零半径约束，把概念表示为非零半径球体，并提出 Sphere Neural Networks（SphNNs），借助转移映射在无需训练数据的情况下完成亚里士多德三段论式符号推理。作者认为零半径约束可能是 Wiener 所指过度简化的一部分，并限制了常规网络的符号逻辑推理能力。

要点速读

1. 论文将向量视为零半径球体，放宽该约束后以非零半径球体表示概念，认为球体表示可刻画空间概念等生物认知特征。
2. 论文提出 Sphere Neural Networks（SphNNs），使用转移映射实现无需训练数据的亚里士多德三段论符号推理。
3. 作者认为零半径约束可能对应 Wiener 所指的过度简化，并限制常规神经网络的符号级逻辑推理能力。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。