本论文探讨了如何使用神经网络将语义万维网数据的三元组信息转化为定长向量，并在此基础上生成自然语言摘要，经过在维基百科片段和数据库等数据集的训练和评估，表现出了良好的结果。

Nov, 2017

利用自适应选择概念发现，结合神经元激活图和 Shapley 值生成定位概念图和热图，并利用热图相似性估计预测不确定性，提供了统一的解决方案，以更好解释神经网络的决策。

Feb, 2024

通过构建语义网络，使用深度学习算法对科学文献进行预测和研究，探索和发现量子物理学的未来研究动向和新思路。

Jun, 2019

本论文研究了语义 Web 机器学习（SWeML）系统，评估了其特征和趋势，并提出了一个本体分类系统。结果表明，SWeML 系统应用广泛，特别是在深度学习和知识图谱技术的推动下，呈快速增长趋势。

Mar, 2023

综述了最近的方法来解释神经网络中的概念，强调了将学习和推理结合起来的重要性，并探讨了将概念知识插入神经网络架构的可能性，为实现基于可解释概念的神经符号人工智能迈出重要一步。

Oct, 2023

该研究介绍了语义特征作为一种完全可解释的神经网络层的概念框架，并提出了一个证明概念模型，解决了 MNIST 相关子问题，该模型由 4 个这样的层组成，具有 4.8K 个可学习参数，模型易于解释，在没有任何形式的对抗训练的情况下，实现了与人类级别的对抗测试准确性，需要很少的超参数调整，并且可以在单个 CPU 上快速训练，该技术具有通用性，有望实现对完全可推广的白盒神经网络的范式转变。

Mar, 2024

本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

Jan, 2022

该论文提出了一种基于熵的标准及一种新的端到端可微分的方法，用于从概念神经网络中提取逻辑解释，该方法使用一阶逻辑的形式化定义，并考虑了四个案例研究来证明这种熵基准能够从临床数据到计算机视觉中，在安全关键领域中提取简洁的逻辑解释。

Jun, 2021

本文介绍了一种新的框架，将逻辑语句编译成计算图，用于指导神经网络的训练和预测，在机器理解、自然语言推理、文本分块等任务表现出较高性能，特别是在低数据情况下表现出色。

Jun, 2019

通过研究神经元来解释深度神经网络并生成语义解释，以解决目前在此方面的限制、缺乏可伸缩性和适用性的问题。

Oct, 2023