本研究探讨了可微神经符号推理的性能保障，揭示其在数据效率和可解释性方面的潜力。使用Scallop库，研究发现该方法在算术运算和高维输入下表现出较高的保障能力，并强调了解释性与对抗脆弱性之间的关系。在类别不平衡的推理问题中，数据效率的承诺通常得以体现。