介绍了一种神经马尔可夫逻辑网络 (NMLNs) 的统计关系学习系统，其借鉴了马尔可夫逻辑的思想，通过神经网络隐式表示逻辑规则作为关系结构上的潜在势函数，克服了基于神经符号方法的嵌入缺失等问题，在知识库补全、三元组分类和分子 (图) 数据生成方面有较大的应用潜力。

May, 2019

本研究旨在提高对不一致和不确定数据的推理能力，并着重探讨历史科学中常见的带时间间隔的知识图形数据。我们提出了关于新的时间马尔科夫逻辑网络（TMLN）的语义原理，旨在实现高效的最大后验推理，并扩展马尔科夫逻辑网络（MLN）以涵盖不确定的时间事实和规则，并研究了不同时间公式之间的全局和局部时间（不）一致性关系。然后，我们提出了新的时间参数语义，可以组合多个子函数，使用不同的评估策略。最后，我们介绍了语义必须遵守的限制，以满足我们的原则。

Nov, 2022

本文介绍了一种基于多任务迁移学习和预训练微调的统一模型 MTMLF，旨在解决数据库管理系统中现有机器学习方法无法有效探究不同任务间内在联系、同时重复训练大量训练数据的问题，从而实现云数据库服务的革命性发展。同时，作者在块查询优化任务上进行了实证研究，并提出了未来探究方向。

May, 2021

本文介绍了一个名为 DLV$^{DB}$ 的新系统，该系统旨在解决推理海量数据时存在的主存限制，外部数据库管理系统的互动不易等问题，并在比较逻辑推理和数据库的几个先前的系统（LDL ++，XSB，Smodels 和三个顶级商业 DBMS）的实验分析中获得了显着的效能优势。

Apr, 2007

本文介绍了关系机器学习中如何统计建模大型知识图谱，以预测世界中新的事实，包括潜在特征模型和图中可观察模式互补的统计关系建模方法，以及与文本信息抽取相结合，自动构建知识图谱的实践。

Mar, 2015

通过引入 ML Benchmark For Relational Databases (RDBench) 标准化基准测试，旨在促进多表关系数据库上可复现的机器学习研究，RDBench 为不同的机器学习领域提供多样的关系数据库数据集，使得从 XGBoost 到图神经网络等不同领域的 ML 方法可以进行有意义的比较和评估。

Oct, 2023

本文介绍了一种新颖的框架 Relational Neural Machines，它可以对学习器的参数和基于一阶逻辑的推理器进行联合训练，下面将介绍其在大规模关系任务中的可行性和良好效果。

Feb, 2020

该论文提出了一种基于 Markov Logic Network 和知识图谱嵌入方法的概率逻辑神经网络 (pLogicNet) 来推理缺失的三元组，该方法结合了两种技术的优点，并通过多重知识图实验证明了其优越性。

Jun, 2019

本文介绍了两种新的模拟结构化数据的形式，并证明它们可以捕捉到丰富的结构并可扩展到大规模数据。第一种形式是铰接损失马尔可夫随机场（HL-MRFs），是一种新的概率图模型，可以推广凸轮廓推断的不同方法。第二种新形式是概率软逻辑（PSL），是一种基于一阶逻辑的概率编程语言，使 HL-MRFs 易于定义。这些算法使 HL-MRFs 和 PSL 能够可扩展地模拟以前无法达到的大规模丰富结构数据。

May, 2015

该论文研究了马尔可夫逻辑网络及其特征，提出了一种基于 projectivity 的模型 ——relational block model (RBM), 并证明了它是在二元片段中最佳 projective MLN，并且可以对采样数据进行一致的参数学习。

Apr, 2022