本文研究了模糊逻辑推理符号在可微分学习中的应用，发现各种模糊推理符号在这种学习环境中并不适用，提出了一族新的模糊推理符号并证明其优于其他选择，最终实现了半监督学习。

Jun, 2020

本文提出了一种简单而有效的方法，即将有偏差的逻辑损失函数转化为 RILL 方法，以解决神经符号学习中的 Implication Bias 问题，并表明当知识库不完整或标注数据不足时，RILL 方法在与其他方法的比较中表现出更大的改进和更强的健壮性。

Aug, 2022

采用逻辑神经网络学习归纳逻辑规则，得出高度可解释且具有灵活参数化以适应数据的规则。

Dec, 2021

通过将背景知识编码为逻辑约束，用可微分逻辑指导学习过程，创造性地满足约束的机器学习模型进行了比较和评估，并提出了未来工作的开放问题。

Nov, 2023

本文介绍了一种模糊算子的配置方案，用于在对数空间中端到端地完成基础公式的基础工作，并通过梯度下降进行优化，从而优于现有技术的现状，并表明新的修正对于实现这些结果是至关重要的。

Jun, 2023

本研究提出一种名为 DFOL 的新型可微分归纳逻辑编程模型，通过搜索可解释的矩阵来从关系事实中找到正确的一阶逻辑程序，并将符号前向链接格式转换为 NN 约束函数，并采用梯度下降将 NN 的训练参数解码成精确的符号逻辑程序。

Apr, 2022

神经符号 AI 旨在将深度学习与符号 AI 相结合，以减少训练神经网络所需的数据量，提高模型给出答案的可解释性和可解性，并验证经过训练的系统的正确性。我们研究神经符号学习，既有使用符号语言表示的数据，也有背景知识。通过模糊推理、概率推理以及训练神经网络来连接符号和神经组件，以交流这一知识。

Jan, 2024

该研究提出了一种新型神经逻辑架构，可以解决归纳逻辑编程和深度强化学习问题，其能够提供完全可解释的解决方案并能够在测试阶段得到更好的运行表现。

Feb, 2021

本文介绍 Differentiable Inductive Logic 框架，结合了 Inductive Logic Programming 和神经网络，非常高效地训练模型。该框架不仅支持传统 ILP 系统擅长的任务，而且对于噪声和训练数据中的错误表现出高鲁棒性。此外，它还可以与神经网络相连接以处理模糊非符号域的数据，同时提供超越单独使用神经网络所能达到的数据效率和泛化能力。

Nov, 2017

本文介绍了一种名为 Differentiable Logics 的方法，它使用神经网络满足逻辑规范。作者提出了一种元语言，称为 Differentiable Logics 的逻辑，它可以定义 Differentiable Logics 中的指标函数。还提出了用于理论分析和实证研究现有 Differentiable Logics 的一般性语言。

Mar, 2023