لقد اعتمد التقدم الأخير في التجزئة المعنى شبه المراقبة بشكل كبير على التسمية الوهمية لتعويض نقص البيانات المُسَمَّاة، مع تجاهل المعرفة العلاقة القيّمة بين المفاهيم المعنى. ولسد هذه الفجوة، نقترح إطارًا جديدًا للتعلم شبه المراقب القائم على الشبكات العصبية والمنطق يُسمَّى LogicDiag. تكمن رؤيتنا الأساسية في أن التناقضات التي تظهر في التسميات الوهمية، وتُكتشف من خلال المعرفة الرمزية، يمكن أن تُعد إشارات تعلُّم قوية ولكنها غالبًا ما تُهمل. يُعالِج LogicDiag هذه التناقضات من خلال التفكير المنطقي القائم على تشخيصات مُولَّدة من قواعد منطقية، مما يمكّن من استعادة التسميات الوهمية الخاطئة (إذا وُجدت)، وبالتالي تقليل مشكلة تراكم الأخطاء الشهيرة. نُظهر التطبيق العملي لـ LogicDiag في سيناريوهات التجزئة التي تتطلب كميات كبيرة من البيانات، حيث نُصَرِّف التعميم الهيكلي للمفاهيم المعنى كمجموعة من قواعد منطقية. وقد أظهرت التجارب الواسعة على ثلاث معايير شائعة للتجزئة المعنى شبه المراقب فعالية وشمولية LogicDiag. علاوة على ذلك، يُبرز LogicDiag الفرص الواعدة الناتجة عن دمج منهجي للتفكير الرمزي في النماذج الإحصائية والتعلم العصبي السائدة حاليًا.