深度神經網路在影像分類任務中取得了高準確率，但它們往往產生過度自信的預測，未能表達認知不確定性，並且經常違反資料中的邏輯或結構約束。這些侷限性在分層分類中尤為突出，因為細粒度和粗粒度的預測必須保持連貫性。例如，在識別動物時，如果模型預測為“金毛犬”，那麼父類別“狗”也必須成立，否則預測就缺乏邏輯一致性。然而，傳統深度神經網路通常無法保證這種層次約束，同時可能對模糊樣本給出過於自信的錯誤判斷。
為此，研究人員首次提出了一種統一的神經符號和認知建模框架，將Swin Transformer與焦點集推理和可微模糊邏輯相結合。該方法不將標籤視為孤立的類別，而是在學習到的嵌入空間內誘導資料驅動的焦點集，從而捕獲多個可能的細粒度類別上的認知不確定性。這些焦點集構成了信念理論層的基礎，該層使用模糊隸屬函式和t-範數連線來鼓勵細粒度和粗粒度預測之間的一致性。具體而言，模糊隸屬函式衡量一個樣本屬於某個類別的程度，而t-範數則用於組合不同層級的隸屬度，確保細粒度預測的父類別具有相應的置信度。
此外，論文引入了一個可學習的損失函式，進一步平衡了校準、質量正則化和邏輯一致性。校準確保預測機率反映真實正確率，質量正則化防止模型對不確定樣本過於自信，而邏輯一致性則強制層級輸出滿足隱含的包含關係。透過自適應地調整這些項的權重，模型能夠根據資料驅動證據和符號結構之間的權衡進行最佳化。
在分層影像分類的實驗上，該框架保持了與Transformer基線相當的準確率，同時提供了更校準和可解釋的預測。它減少了過度自信，特別是在難以區分的細粒度類別上，並且強制了層級輸出之間的高邏輯一致性。實驗結果表明，將焦點集推理與模糊邏輯相結合，是實現既準確又具有認知意識的深度學習模型的切實一步。這項工作為構建更可靠、更符合人類直覺的視覺識別系統提供了新思路，未來可能擴充套件到其他結構化預測任務。