伪标签也将被转换为如同A,非B,…,非C的伪基础事实O。
然后，一个逻辑推理用于验证生成结果是否符合基础知识。如果不一致，将通过逻辑反绎生成最小化不一致的假设修订。例如，假设非C已经被修正为C，将其进一步生成反绎标签。
反绎标签将用于训练一个新的分类器Ψ并替换原始分类器。
这个过程将迭代，直到分类器不再更新，或者逻辑事实与基础知识统一。

以下通过手写方程解密任务来说明反绎学习的简单实现。图6中，手写等式为 包含了多个图像字符的序列。每个序列由符号0、1、+、=并通过未知操作生成，且对应一个标示其是否正确的标签，即正positive或者negative。我们需要从此类方程的训练集学习，然后预测未知方程的标签。需要额外注意的是，控制标签分配的操作规则是未知的，方程的大小亦可不同。
逻辑反绎通过Prolog实现的ALP进行。不一致最小化问题由无导数优化工具解决，其在连续和离散域上均能进行优化。生成的模型与神经符号系统 (neural-symbolic systems)有关，因为它涉及神经网络和符号计算





如果少量的标记数据可用，它们不仅可以用于训练初始机器学习模型f，还可以用于规则后处理