本研究探讨了集成神经符号系统在性能保障方面的潜力，特别是在数据效率和可解释性上。通过使用Scallop库，发现可微神经符号方法在算术运算和高维输入中表现出较强的保障能力，并强调了解释性与对抗脆弱性之间的关系。研究结果表明，在类别不平衡的推理问题中，数据效率的承诺通常得以实现。