NSFL：神经嵌入中布尔运算符的 后训练 神经符号模糊逻辑框架

标准密集 检索器 缺乏用于多原子逻辑约束的本机演算。我们引入了神经符号模糊逻辑 (NSFL)，这是一个无需重新训练即可将形式 t 范数和 t conorms 适应神经嵌入空间的框架。 NSFL 作为一阶混合微积分运行：它将逻辑运算锚定在孤立的零阶相似性分数上，同时使用神经符号增量（NS-Delta）主动引导表示——从上下文融合中得出的一阶边缘差异。这保留了纯粹的原子意义，同时捕获域依赖，防止传统几何基线特有的表示崩溃和流形逃逸。对于可扩展的实时检索，球形查询优化 (SQO) 利用黎曼优化将这些模糊公式投影到流形稳定的查询向量中。 NSFL 经过六种不同编码器配置和两种模式（包括零样本和 SOTA 微调模型）的验证，mAP 提高高达 +81%。值得注意的是，即使应用于为逻辑推理而明确微调的编码器，NSFL 也能提供平均 20% 的加性和高达 47% 的提升。通过建立 无需训练（高维空间的顺序感知演算），该框架为未来的动态缩放和学习流形逻辑奠定了基础。