混合学习和推理系统设计模式概述
本文提出对于混合神经符号系统的模块化设计模式，包括基础模式和组合模式，以及在两个真实案例中进行模式应用，同时提出分类神经符号架构的新型设计模式以及一个分类词汇表。
Feb, 2021
介绍了用于混合建模的设计模式，将基于第一原理的建模方法与数据驱动的建模技术相结合，提供了四个基本模式和两个组合模式，以说明从气候建模、工程和物理等应用领域的典型案例中可以将数据驱动的组件与领域知识相结合的混合建模方法。
Dec, 2023
本研究的目标是提供 AI 系统的设计模式的概述 —— 无论是新的还是适应性的 —— 以提高特定的软件质量属性和解决频繁出现的问题，并将它们收集、分类，并使它们易于为研究人员和从业者所获取，从而使结果在这一新兴领域可被用来作为后续研究的基础和为设计基于 AI 的系统提供相关模式的参考。
Mar, 2023
本文正式化 van Bekkum 等人的神经符号设计模式，并形式定义了模式细化和从较小的构建块组合更大模式的概念。这些形式化概念正在 Hets 工具集中实现，以便可以检查模式和细化的正确性，并计算组合。
Jun, 2022
本文介绍一种用于程序自动合成的方法，通过结合模式识别和显式推理来解决这些复杂的编程问题，同时使用新颖的中间表示和训练算法，使程序合成系统能够自学，从而在简单的英文描述编程问题数据集上取得了最先进的性能表现。
Feb, 2019
这篇论文提出了一种通用的学习框架，用于终身学习功能本质组合结构，分别研究了有监督学习和强化学习的应用，同时拓展到了非静态环境下。在评估实验中，展示了这种框架的优越性，取得了较好的效果。
Jul, 2022
本文提供了一个交叉学科的观点，以发展由人与机器组成的社会技术群体，通过结合人工智能和人类智能，共同实现复杂目标，并从彼此学习中不断提高。因此，需要为这些系统提供结构化的设计知识，并展示了使这些应用程序的系统开发人员有用的指导。
May, 2021
本文提出了一种新的理论方法，通过智能系统实现领域知识获取。我们介绍了一种混合模型，通过一个知识图谱数据库存储和推理最小输入知识，并通过逻辑神经网络学习新信息。我们研究了该系统处理新数据的行为，并展示最终系统能够丰富当前的知识并将其扩展到新领域。
Nov, 2022
本文着眼于深度神经网络内部表示的研究，并使用聚类算法提取了一组视觉概念，展示了这些概念可以用于语义部分检测的无监督方法，并将这些视觉概念组合成了一种简单的模式理论模型，名为 “构成投票”，相较于专门针对语义部分检测的支持向量机和深度网络，证明了这种方法的效果更好。
Nov, 2017