近年の半教師あり意味セグメンテーションにおける進展は、限られたラベル付きデータを補完するために擬似ラベル（pseudo labeling）に大きく依存しており、意味的概念間の貴重な関係性知識を無視する傾向にある。このギャップを埋めるために、我々は新たな神経論理型半教師あり学習フレームワーク「LogicDiag」を提案する。本研究の核心的な洞察は、記号的知識を通じて同定された擬似ラベル内の矛盾が、強力ではあるがしばしば無視されがちな学習信号となり得るということである。LogicDiagは、論理誘導型診断（logic-induced diagnoses）を用いた推論によってこうした矛盾を解消し、誤った擬似ラベルの回復を可能にすることで、悪名高い誤り蓄積問題（error accumulation problem）の緩和に寄与する。本研究では、データ集約型のセグメンテーションシナリオにおいてLogicDiagの実用性を示す。その際、意味的概念の構造的抽象化を論理規則の集合として形式化する。3つの標準的な半教師あり意味セグメンテーションベンチマークに対する広範な実験により、LogicDiagの有効性と汎用性が確認された。さらに、本手法は、現在広く採用されている統計的・ニューラル学習アプローチに、体系的な記号的推論を統合することの持つ有望な可能性を浮き彫りにしている。