优化覆盖计算
本文通过广泛探究 Circumscription 与 DL-lite_R、EL 及其片段相结合的知识库的计算复杂性，确定了其复杂度范围从 P 到多项式层次的第二层，以及复杂度上升至 PSPACE 及以上的片段。
Jan, 2014
本文通过五个方面来深入系统地研究原始 DL-Lite 逻辑的扩展中的推理，分别是添加布尔连接符和数字限制到概念构造中，允许角色层次结构，允许角色的互斥、对称性、非对称性、自反性、反自反性和传递性约束，并接受或放弃同一性假设，同时分析了语言的可满足复杂性，验证数据复杂性和回答反面存在性查询的数据复杂性。
Jan, 2014
提出一种将抽象级别作为一等公民并提供概念和角色的抽象和细化的显式运算符的 DLs 扩展，它可以支持多个抽象级别上的知识表示，并证明在这个扩展的 DLs 家族中推理是可判定的，而一些看似无害的变化则是不可判定的。
Jun, 2023
我们提出了一种基于自然逻辑的神经网络模型，该模型使用模块网络模拟自然逻辑操作，并使用内存组件模拟上下文信息以有效建模单调性推理和聚合。实验表明，该模型可以有效地建模单调性推理，因此在聚合时得到更好的性能。
Nov, 2020
本文通过基于 DL 本体的规划来解决开放世界状态约束，并提出了一种新的编译方案，即基于 DL 查询重写为具有分层否定的 Datalog 的标准 PDDL，以应对更具表现力的 DL，同时还证明了我们的方法可以优于以前的 DL 本体规划工作。
Mar, 2022
本文介绍一种称为连续推理的新方法，该方法将神经符号系统与知识和数据的循环学习相结合，以应对非单调推理任务，并在结果上显示了显著的改进。
May, 2023
该论文研究了使用 Angluin 等人的准确查询学习框架来学习描述逻辑本体的问题，证明了可以用多项式大小的多项式查询来学习用 DL-Lite 描述逻辑和某些和 OWL 2 RL 相关的 EL 片段描述的本体，但即使只允许非循环本体，也不能用多项式大小的查询来学习用 EL 描述逻辑描述的本体。
Sep, 2017
将一个使用 DL L1 表达的本体 O1 重写为 Horn DL L2 中的本体 O2，以保证在任意数据集扩展时 O1 和 O2 是等价的。对存在 Horn 重写的本体进行研究，并识别出一类本体可以用多项式大小的 Horn 重写表示。
Apr, 2015
本文中，我们将关注于异常演绎的一种替代方法：减缩并研究经过限制的 DLs，在 ALC 到 ALCIO 和 ALCQO 之间寻找出推理的确切计算复杂度，范围从 NExpTime^NP 到不可判定。
Jan, 2014