本研究提出了BOOST框架，旨在解决程序指导推理在复杂声明核查中的局限性。通过集成声明分解和信息收集策略，实现了无人工干预的数据驱动优化，提升了学习的可解释性和有效性。实验结果表明，BOOST在零-shot和少-shot设置中优于现有方法。

本研究提出了一种名为物理可行语义分割（PhyFea）的方法，通过提取明确的物理约束，解决了传统语义分割模型在数据驱动优化中存在的物理不合理性问题。该方法建立可微分损失函数以惩罚约束违背，显著提高了在ADE20K、Cityscapes和ACDC数据集上的性能，尤其在ADE20K上提高了1.5%，在ACDC上提高了2.1%。