많은 추론 문제에서 전제(premises)는 이산적인 심볼(discrete symbols)로 관찰되는 것이 아니라, 고차원 입력으로부터 추론되어야 합니다. 또한, 술어 어휘(predicate vocabulary), 인자 구조(argument structure), 그리고 신뢰할 수 있는 증거는 지식 그래프 (Knowledge Graph, KG) 또는 규칙 정의에 의해 제공됩니다. 전통적인 신경-심볼릭 (neuro-symbolic) 파이프라인은 지각 (perception)과 연역 (deduction) 사이에 이산적인 인터페이스를 가집니다. 우리는 잠재적 지각 사실 (latent perceptual facts) 및 지식 제공 술어 (knowledge-provided predicates)에 대해 미분 가능한 연역 추론을 수행하는 신경-소프트-심볼릭 (neuro-soft-symbolic) 아키텍처를 제시합니다. SoftReason은 연역 상태를 후보 상수 (candidate constants) 및 술어 (predicates)에 대한 로컬 소프트 해석 텐서 (local soft interpretation tensor)로 표현함으로써 그래디언트 격차 (gradient gap)를 제거합니다. 지각은 확률적 기초 사실 (probabilistic base facts)을 제안하고, KG 트리플 (triples)은 높은 신뢰도의 소프트 증거 (soft evidence)로 입력되며, 모든 쿼리 앵커 (query anchor), 술어 선택 (predicate choice), 그리고 폐쇄 업데이트 (closure update)는 미분 가능한 상태를 유지합니다. 우리의 핵심 혁신은 즉각적 결과 연산자 (immediate-consequence operator)의 학습된 미분 가능 리프트 (differentiable lift)입니다. 이는 술어 정의 임베딩 (predicate-definition embeddings)과 잠재적 합성 채널 (latent composition channels)을 사용하여 소프트 본체-술어 혼합 (soft body-predicate mixtures)을 형성하고, 가능한 모든 증인 (witnesses)에 대해 집계하며, 쿼리 조건부 헤드 사실 (query-conditioned head facts)을 제안하고, 단조 확률적 OR (monotone probabilistic OR)을 통해 해석을 업데이트합니다. 우리는 이 프레임워크를 지식 인식 시각적 질의응답 (Knowledge-aware Visual Question Answering, KVQA)에 적용하여, SoftReason이 하나의 학습 가능한 아키텍처 내에서 엔드투엔드 지각 접지 (end-to-end perceptual grounding), KG 증거 주입 (KG evidence injection), 그리고 미분 가능한 연역적 폐쇄 (differentiable deductive closure)를 어떻게 지원하는지 입증합니다.