本文首次使用图神经网络 (GNNs) 实现高阶证明搜索，并证明 GNNs 能够提高此领域的最新成果。我们考虑了高阶逻辑的几种图形表示，并将它们与 HOList 基准进行了评估。

May, 2019

本文研究了非知识图谱领域中的归纳逻辑推理问题，提出了基于超图的多起点随机 B-walk 方法和路径一致性算法相结合的后向链式归纳逻辑规则学习方法。

Jun, 2022

本研究探讨了将图而非超图作为表示实际世界互联系统的建模选择的影响，提出了超图投影导致高阶关系丢失的两个普遍模式，并量化了在无额外帮助下恢复丢失高阶结构的组合不可能性。此外，基于学习的超图重建方法通过使用超边分布的重要统计量，在不同设置下在 8 个真实世界数据集上展示了良好的性能，并通过蛋白质排名和链接预测的用例展示了重建超图的优势。

Jan, 2024

该论文提供了使用 IDP3 系统解决问题的简要介绍，介绍了 IDP3 的核心部分 - 有限模型生成器，它支持第一阶逻辑，以及丰富了类型，归纳定义，聚合和部分函数。除了小的例子，文章举了三个应用实例，分别涉及 philology、生物学和学习最小化自动机。

Sep, 2013

介绍了一种支持学习高阶程序的元解释学习技术，实验结果表明，与学习一阶程序相比，学习高阶程序可以显着提高预测准确性并降低学习时间。

Jul, 2019

这篇论文通过系统检视问题之前的范围并提出一个新的数据集，讨论了同时出现的新挑战，并提出了一种模糊逻辑理论的新搜索算法，以解决新的公式并在现有公式中胜过以前的方法。

Apr, 2023

通过实验得出以下结论：（a）小 n 足以实现精度与近乎完美近似值相当， (b) 当任务变得更加具有挑战性时，大的 n 会带来更多益处， (c) 对于那些成对交互不太能够说出高阶交互的数据集，在降为两两抽象时，将失去很多精度。

Jan, 2020

本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询，以处理新型复杂查询，同时提出了一种提高查询效率的方法，并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。

Jun, 2021

通过全面整合 FOL 查询图的上下文，我们提出了一种模型不可知的方法，增强了现有的多跳逻辑推理方法，在两个数据集上的实验中，我们的方法始终提升了三个多跳推理基准模型的性能，最高可达 19.5%。

Jun, 2024

本研究通过开发一种新型的嵌入逻辑公式的结构感知神经网络架构，成功地解决了图形化方法在逻辑公式表示时的局限性，并在两个标准数据集上进行了实证研究，取得了最先进的性能，为深度学习与自动定理证明的融合提供了新的思路。

Nov, 2019