Resumen: Este artículo compara tres categorías metodológicas de razonamiento neuronal: razonamiento LLM, razonamiento basado en aprendizaje supervisado y razonamiento explícito basado en modelos. Los LLM siguen siendo poco confiables y luchan con la toma de decisiones simples que los animales pueden dominar sin una capacitación exhaustiva de los corpus. A través de pruebas de razonamiento silogístico disyuntivo, mostramos que el razonamiento mediante aprendizaje supervisado es menos atractivo que el razonamiento mediante la construcción explícita de modelos. Concretamente, mostramos que una Red de Euler entrenada para alcanzar el 100,00% en razonamiento silogístico clásico puede entrenarse para alcanzar una precisión del 100,00% en razonamiento silogístico disyuntivo. Sin embargo, la Euler Net reentrenada sufre gravemente de olvido catastrófico (su rendimiento cae al 6,25% en el razonamiento silogístico clásico ya aprendido), y su competencia de razonamiento se limita al nivel de patrón. Proponemos una nueva versión de Sphere Neural Networks que incorpora conceptos como círculos en la superficie de una esfera de n dimensiones. Estas redes neuronales esféricas permiten la representación del operador de negación a través de círculos complementarios y logran una toma de decisiones confiable al filtrar declaraciones ilógicas que forman configuraciones circulares insatisfactorias. Demostramos que Sphere Neural Network puede dominar 16 tareas de razonamiento silogístico, incluido el razonamiento silogístico disyuntivo riguroso, preservando al mismo tiempo el rigor del razonamiento silogístico clásico. Concluimos que el razonamiento neuronal con construcción explícita de modelos es el más confiable entre las tres categorías metodológicas de razonamiento neuronal.
Publicado originalmente en export.arxiv.org el 4 de enero de 2026.
Ver fuente original
