本文调查了神经符号人工智能的杂交方法在生物医学领域的实用性和潜在益处，这些方法对于如药物重新定位等任务的 KG 完成 (KGC) 更为适合，因为生物医学数据集通常被建模为知识图谱 (KG) 以捕捉其多关系、异质性和动态属性。

Jul, 2023

本研究提出了一种基于能量的图嵌入算法来描述工业自动化系统，学习多个领域的知识，从而可以进行上下文感知预测和评估异常严重性，该模型可以应用于机器学习和神经形态计算等领域。

Oct, 2021

这篇论文调查了在图结构上执行神经符号推理任务的广泛方法，并提出了一个新的分类法来比较这些方法，包括基于逻辑推理嵌入方法、施加逻辑约束的嵌入方法和规则学习方法。此外，还提供了一个表格概述这些方法。

Feb, 2023

人工智能的快速发展，特别是通过深度神经网络，已经在视觉和文本处理等领域取得了显著进展。但是，实现人类类似的推理和可解释的人工智能系统仍然面临重大挑战。神经符号学范式将神经网络的深度学习能力与符号系统的推理能力结合起来，提供了开发更透明和可理解的人工智能系统的有希望途径。本文探讨了基于知识图谱的神经符号一体化的最新进展，阐明了知识图谱在三个关键类别中支撑着这种一体化：通过引入符号知识来增强神经网络的推理和可解释性（Symbol for Neural），通过神经网络方法来提高符号系统的完整性和准确性（Neural for Symbol），以及促进两者在混合神经符号一体化中的应用。本文强调了当前的趋势，并提出了神经符号人工智能领域未来研究的方向。

May, 2024

本文提出了一种基于图嵌入网络的符号知识应用方法，该方法将命题公式 (和赋值) 通过增强的 Graph Convolutional Network (GCN) 投射到流形上。通过识别节点异质性和结构约束等技术，我们能够生成语义上忠实的嵌入，提高推理检查和视觉关系预测模型的性能。有趣的是，我们观察到命题理论表示的可处理性与嵌入的易用性之间存在一种联系。

Sep, 2019

利用知识图谱嵌入学习方法，探索在 SNOMED-CT 知识图谱中学习生物医学知识表征的能力，提供性能测试及最佳实践，并强调利用知识图谱多关系特性学习知识表征的重要性。

Jun, 2020

知识图谱是许多数据密集型应用程序的基础，它们能够表示数据及其含义和上下文。本文通过检查当前知识图谱对齐的现状并探索神经符号集成的潜力，突出结合这些领域的有希望的研究方向。

Oct, 2023

提出 KeGNN，一种神经符号框架，结合了神经和符号方法，用于图数据的学习，旨在通过添加系统先前知识来提高精度，并通过多个基准数据集的节点分类进行评估。

Mar, 2023

我们提出了一种新的用于有命题背景知识的监督多标签分类的形式化方法，称为推理中的语义调整，其在推理过程中限制系统而不影响训练，相比于另外两种常见的神经符号技术（语义调整和语义正则化），我们讨论了其在理论和实际上的优势，并开发了一种新的多尺度方法来评估神经符号技术的好处随着网络规模的演化，通过对多个数据集的实验和比较，我们的结果表明，推理中的语义调整可以用于构建更准确的基于神经网络的系统，使用更少的资源，并确保输出的语义一致性。

Feb, 2024

本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。

Sep, 2017