这篇综述介绍了神经符号和统计关系人工智能这两个领域之间七个不同维度的相似之处，包括学习和逻辑推理，这些不仅可以用于表征和定位神经符号人工智能方法，还可以指出进一步研究的方向。
Mar, 2020
本文对神经符号融合领域进行了全面调查，并根据其结构和能力进行了新的分类。该领域近期在处理连接主义系统（也称为人工神经网络）中的符号知识方面取得了重大进展，为人工智能提供了各种技术。
Nov, 2005
提出了一种名为 GBPGR 的广义双层概率图推理框架，通过使用统计关系学习启发式地集成了深度学习模型和符号推理，以解决当前人工智能领域中深度学习和符号推理相结合的方法在组合方式、泛化性和可解释性方面的局限性，并通过大量实验证明了该方法在转导和归纳任务中实现了高性能和有效的泛化能力。
Sep, 2023
该论文调查了近年来神经符号 AI 领域的研究论文，对提出的模型及应用进行了分类和比较。这些模型结合了符号处理和神经网络，旨在通过学习数据分布，基于先前和学习的知识进行推理，并在其中进行共生使用，以实现人工智能通用。
May, 2023
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
本文介绍了神经符号计算（NeSy）领域的重要和最新研究发展，包括研究历史，背景知识，关键驱动因素以及主要特征。文章讨论了该领域的一些重要应用并针对目前存在的问题提出了新的研究方向，以期进一步推动以数据和知识为驱动的 AI 的研究进展。
Oct, 2022
本文综述了神经符号人工智能在真实世界应用中的最新发展，介绍了常见神经符号应用的分类法，总结了各个领域的最新技术现状，并且提供了对未来发展的新视角。
Sep, 2022
人工智能的显著进步主要是由深度神经网络所推动，然而不可持续的计算轨迹、有限的鲁棒性和缺乏解释性的问题要求开发下一代人工智能系统。神经符号人工智能 (NSAI) 作为一种有潜力的范式，将神经、符号和概率方法融合在一起，提高可解释性、鲁棒性和可信度，并能够从较少的数据中进行学习。最近的 NSAI 系统在具有推理和认知能力的协作人工智能场景中展示了巨大的潜力。在本文中，我们对 NSAI 的最新进展进行了系统综述，并分析了 NSAI 模型的性能特征和计算操作符。此外，我们还从系统和架构的角度讨论了 NSAI 面临的挑战和潜在的未来方向。
Jan, 2024
本文通过进行文献调查，以三个构成神经符号强化学习的组件为重点（神经网络、符号和强化学习），将研究作品进行分类，并分析其强化学习部分的组成。同时，发现了该领域中的研究机会和挑战。
本文探讨了神经符号计算技术中深度学习和知识表示应该如何有机结合，通过 20 年来的相关研究结果，为下一个 AI 系统的关键性成分做出探索，以神经符号系统的视角提出 AI 技术应该在信任、安全、可解释性和问责制方面有所提升和解决的方向和挑战。
Dec, 2020