本文通过利用语言中常量的对称性，将隐式可学习性推广，提出了一种在第一阶逻辑中进行强健学习的新理论方法。
Jun, 2019
此文介绍了使用多智能体认知逻辑演示 PAC 学习的技术基础，涉及逻辑和弱推理，以提供强大的模型理论框架来回答查询，并研究了该算法的正确性、样本复杂性以及其能够高效的情况，利用表述定理将模态推理纳入命题推理中。
Jun, 2023
提出有界拟合作为一种模式学习的方案，该方案可以在本体存在的情况下学习描述逻辑概念，并且称之为 PAC 学习的通用性具有理论保证。同时，我们提供了一种名为 SPELL 的系统，其基于 SAT 求解器高效实施了有界拟合，并将其表现与最先进的学习者进行了比较。
May, 2023
本文探讨了如何在 PAC 语义下通过隐式学习的方法处理具有噪声数据的线性算术语言中的阈值不确定性，证明了该框架具有多项式时间复杂度保证，并通过实验结果表明该方法优于显式方法来学习线性规划目标约束。
Oct, 2020
本文研究在 PAC 模型下共识查询的学习问题，证明了共识查询类不具有多项式大小匹配的性质，给出了许多限制类共识查询的负 PAC 可学性结果，最后提出了利用成员查询实现共识查询的高效 PAC 学习方法。
Aug, 2022
自然证明能够推导有效学习算法的条件在分布式 PAC 学习模型中得以推广，证明了我们的主要结果，以及对深度 - 2 多数电路、多面体和自然目标分布中的 DNFs 的分布式 PAC 学习算法的应用以及通过深度 - 2 多数电路评估的编码输入弱 PRF 的不存在性。
Oct, 2023
本研究提出了一种 Monte-Carlo 模拟系统，利用强化学习能够在任何逻辑领域中进行工作，而无需任何人为知识或问题集。
Apr, 2022
引入了一个基于模型的近似正确（PAC）学习算法，用于解决马尔可夫决策过程中的 omega 正则目标。不同于之前的方法，该算法从系统的采样轨迹中学习，不需要对系统拓扑的先验知识。
论文介绍了一种基于逆推的推理方法 (abduction)，该方法在自然语言推理中的应用可以有效地提高定理证明器的性能，提高处理语义关系的精度。
本文通过引入战略 VC 维来推广对敌方攻击机器学习模型的研究，并针对基本的线性分类问题实例化了该框架。研究结果表明，线性分类器的 SVC 总是被其标准 VC 维上界所限制。
Dec, 2020