可微分張量

深度分析

NeSyCat Torch：以單子框架統一神經符號語意的可微分張量實作

NeSyCatTorch透過單子與聚合結構將經典、模糊與機率神經符號語意統一，並以懶惰對數張量單子支援可微分訓練，實驗顯示在MNIST加法上速度與準確度均優於LTN與DeepProbLog。同時支援與Kolmogorov‑Arnold網路的整合，為未來物理感知機器學習提供新方向。