利用时态推理数据库跟踪结构化事实来探索过去事件如何影响事件的现有概率，并通过神经概率模型来提高预测准确率。

Jun, 2020

我们引入了一个神经符号规则归纳框架，该框架通过时序点过程模型高效地发现一个紧凑的时间逻辑规则集合来解释感兴趣的不规则事件。我们采用了矢量嵌入来表示谓词和逻辑规则，并通过梯度下降训练逻辑规则嵌入以获得谓词嵌入的最适合的组合表示。为了使规则学习过程更高效和灵活，我们采用了顺序覆盖算法，该算法逐步将规则添加到模型中，并移除已解释的事件序列，直到所有事件序列都被覆盖。在合成和真实数据集中，我们的方法表现出显著的效率和准确性，以较大的优势超过了现有技术基准的效率。

Jun, 2024

我们提出了一个能够逐步扩展解释性时间逻辑规则集来解释时间事件发生的框架。利用时间点过程建模和学习框架，规则内容和权重将逐渐优化，直到观察的事件序列的似然性最佳。我们的算法通过在主问题中更新当前规则集的权重，并在子问题中搜索和包含新规则来增加似然性。主问题被定义为凸问题，使用连续优化方法相对容易求解，而子问题需要在庞大的组合规则谓词和关系空间中进行搜索。为了克服这一挑战，我们提出了一种神经搜索策略，通过学习生成新规则内容的一系列动作。该策略参数将使用强化学习框架进行端到端训练，其中奖励信号可以通过评估子问题目标来高效查询。训练好的策略可以以可控的方式生成新规则。我们在合成和真实的医疗数据集上评估了我们的方法，取得了有前景的结果。

Aug, 2023

TLogic 是一个可解释的框架，它基于通过时间随机游走提取的时间逻辑规则，用于处理时间知识图中的链接预测。与现有技术相比，在具有共同词汇表的相关数据集上，TLogic 能够更好地解释和推理，并提供更好的综合性能。

Dec, 2021

我们提出了 TILP，一个可微分的框架，用于学习时态逻辑规则并改善基准方法的性能。

Feb, 2024

我们提出了一种新的方法，利用表达式优化和符合预测，从有限样本正确性保证的角度学习出可以在用户定义的置信水平下正确描述未来轨迹的时间逻辑谓词。我们通过对模拟轨迹数据集的实验结果以及消融研究来展示我们方法的性能，并分析了算法的各个组成部分对性能的贡献。

Jun, 2024

本文探讨了神经符号计算中的两个基本问题：深度学习是否能够端到端地解决逻辑中的挑战性问题，以及神经网络是否能够学习逻辑的语义。研究重点是线性时间暂态逻辑（LTL），通过训练 Transformer 来直接预测给定 LTL 公式的解，使用传统求解器产生的经典解决方案生成训练数据，研究表明，使用这些特定的解决方案进行训练已足够。 Transformers 甚至可以预测在文献基准测试中，经典求解器超时的公式的解，它也可以推广到逻辑的语义，虽然与经典求解器找到的解有所不同，但仍可以正确地预测大多数公式的解。

Mar, 2020

传统的基于嵌入的模型通过排序问题来解决事件时间预测问题，然而往往不能很好地捕捉时间顺序和距离等关键的时间关系。本文提出 TEILP，一个自然地将这些时间要素融入到知识图谱预测中的逻辑推理框架。通过将时间知识图谱转换为具有更明确时间表示的时间事件知识图谱（TEKG），我们利用可微分随机游走方法进行时间预测。通过引入条件概率密度函数和与查询区间相关的逻辑规则，我们得出时间预测结果。与基准方法相比，我们在五个基准数据集上比较了 TEILP 的性能，结果表明我们的模型在提供可解释的解释的同时，显著改进了基线模型。特别是在训练样本有限、事件类型不平衡以及仅基于过去事件预测未来事件时间的几种情况下，TEILP 在健壮性方面优于基准模型。

Dec, 2023

本文基于一种时间知识图谱，提出了一种同时兼顾事件因果关系和时序性的逻辑和常识指导嵌入模型（LCGE），可充分考虑事件间的同时性和时序性，并且在常识知识的基础上，通过规则引导建立谓词嵌入标准化策略，从而提高了事件预测的准确率，并且具有可解释性。

Nov, 2022

使用基于时空点过程的方法，通过加入上下文事件嵌入、时间信息和领域特征来建立模型，解决了连续时间域中预测事件集强度的问题，并通过大量实验表明，该方法在预测指标和计算效率上优于现有方法。

Sep, 2023