深度神经网络在图像分类任务上通常能取得很高的准确率，但它们在给出结论时往往过于自信，难以表达认知层面的不确定性。与此同时，模型也经常违反数据中存在的逻辑或结构约束。在分层图像分类场景中，这一问题尤为突出，因为细粒度与粗粒度两个层级的预测必须彼此协调：如果模型把一张图片判为某个具体子类，那么它在对应的父类上也应当给出一致的判断。
来自 Ezel Kilicdere、Shireen Kudukkil Manchingal 与 Fabio Cuzzolin 的研究提出了一种新的统一框架，将神经符号方法与认知不确定性建模结合在一起。该工作于 2026 年 5 月 11 日提交至 arXiv，编号为 2605.16383，属于计算机视觉与模式识别方向，同时涉及人工智能与机器学习领域，全文共 36 页。
该框架的核心做法是在 Swin Transformer 的基础上增加两个关键组件。第一个组件是焦点集推理：模型不再把标签视为彼此孤立的类别，而是在学习到的嵌入空间中归纳出数据驱动的焦点集，用来表示模型对多个可能细粒度类别的认知不确定性。换句话说，当证据不足时，模型可以用一组候选类别及其信念质量来表达“不确定但有所倾向”的状态，而不是强行给出一个过度自信的单一标签。
第二个组件是可微分的模糊逻辑层。这些焦点集构成一个信念理论层的基础，该层利用模糊隶属函数和 t-norm 合取运算，在细粒度与粗粒度预测之间施加一致性约束。由于整个逻辑结构是可微分的，它可以与神经网络一起端到端训练，而不必作为外部的硬性规则后处理。
在训练目标方面，作者设计了一个可学习的损失函数，用来平衡三个方面的要求：预测校准、信念质量的正则化，以及层级之间的逻辑一致性。通过让模型自适应地调整这些项之间的权重，框架能够在符号结构与数据驱动证据之间取得权衡，而不是固定地偏向某一方。
在分层图像分类实验上，该框架的准确率与 Transformer 基线保持相当，同时提供了校准更好、可解释性更强的预测。实验结果显示，模型降低了过度自信的程度，并在分层输出之间实现了较高的逻辑一致性。作者认为，将焦点集推理与模糊逻辑结合，是迈向既准确又具备认知自觉的深度学习模型的一个务实步骤。