本文提出了两种优化方法用于针对 PSL 的结构学习，一种是基于贪心搜索的算法，另一种是结合生成子句的数据驱动和针对性能的伪似然性段分段优化（PPLL）目标的算法， 在五个实际任务中的比较表明 PPLL 实现了数量级运行时加速和 AUC 增益高达 15％以上。

Jul, 2018

在本文中，我们研究了一个广泛且重要的学习问题 —— 成对相似度学习（PSL）。我们提出了一种简单但令人惊讶的无代理方法 SimPLE，该方法在开集识别中能够很好地推广，应用于开集人脸识别、图像检索和说话人验证三个挑战性的 PSL 任务上，通过大规模基准实验结果表明我们的方法明显优于现有的最先进方法。

Oct, 2023

提出了一种使用可能性逻辑来编码关系模型的统计关系学习方法，该方法相对于马尔可夫逻辑网络更快且产生的模型更容易解释。

May, 2017

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

本文介绍了一种将深度神经网络模型与逻辑推理相结合的框架，称为具有概率逻辑推理的序列推荐，该框架通过在 DNN 和概率逻辑网络中分离特征嵌入和逻辑嵌入来从相似性匹配和逻辑推理中获益，并使用概率方法嵌入用户和项目以更好地捕获用户品味的不确定性和演变。该框架的实验结果证明了其有效性。

Apr, 2023

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

本研究采用分布语义模型为基础，提出了描述逻辑的概率语义，设计了 TRILL P 系统，实现了对具有概率知识库的查询的概率计算和推理学习算法。

May, 2014

本文研究了概率逻辑编程，扩展了支持离散和连续随机变量，并引入了新的采样算法和混合模型，解决了从带有缺失值和概率背景知识的关系数据中学习 PLP 的问题。

Feb, 2023

本文提出了一种用深度学习和概率逻辑构成的深度概率逻辑（DPL）框架，将标记决策建模为潜变量，并使用变分 EM 学习概率逻辑中的不确定公式权重，从而实现间接监督，通过生物医学机器阅读的实验证明了该方法的可行性。

Aug, 2018

采用基于概率逻辑推理的混合方法将基于逻辑和分布式语义组合起来，提高了在文本推理任务上的表现。

May, 2015