提出了一种基于贝叶斯模型可实现逻辑推理和统计学习的新方法，使得符号推理成为正向和反向过程的结果，并对学习和推理的研究提供了新的视角。
May, 2023
本文提出一种基于生成模型的逻辑推理关系，将真值的概率生成过程化，证明了该模型优于其他推理模型，同时给出了一种性能优越的分类算法。
Dec, 2020
该论文提出了一种简单的推理理论，用来从数据中完全推理符号知识。采用贝叶斯方法模拟数据如何导致符号知识，符号知识的概率推理被建模为正向与反向因果推理的过程。该理论应用于机器人本地化问题，研究表明机器人在完全基于数据的情况下，即使传感器出现故障或噪声也可以高效解决问题。
Jan, 2023
基于神经科学中贝叶斯方法对脑功能的启示，我们提出了一个简单的概率推断理论，用于统一描述推理和学习。我们通过符号逻辑中知识的可满足性模拟数据如何引发符号知识的过程，即抽象过程和选择性无知。我们讨论了推理的逻辑后果关系以及基于实验证据的 MNIST 数据集的经验正确性。
Feb, 2024
本文提出了一个简单的概率模型，可应用于感知和逻辑推理，它将两种过程统一起来：一方面是感知和逻辑知识从另一个知识中派生的过程，另一方面是从数据中派生出这种知识的过程，并且在逻辑推理中完全描述了该模型。
Jun, 2022
基于逻辑回归的比例估计方法作为参数统计推断的替代方法，以更丰富的总结统计信息来消除假设先验和卡方问题。
Nov, 2016
本文发现 Bayesian 概率论需要加入因果干预来模拟主体能动性，通过建立概率测度和博弈论模型来构建主体因果干预的抽象模型，以及随后的因果感知的例子。
Jul, 2014
该论文探讨了大脑是贝叶斯机器的假设，给出了一种基于 Bayesian 算法和数据结构的逻辑推理方法，并详细描述了它们的抽象推理属性及优点。
May, 2020
从神经科学的贝叶斯方法论中汲取灵感，我们提供了一种统一的概率模型，用于从数据中进行各种类型的符号推理。我们使用经典后果关系、经验后果关系、最大一致集、最大可能集和最大似然估计来描述它们，该理论为实现类人机智能的推理过程提供了新的见解。
文中探讨了贝叶斯统计学派的方法，阐述了先验分布在贝叶斯模型中的实际作用以及超验演绎法的重要性，发现最成功的贝叶斯统计学派形式并不支持归纳推理，从而认为贝叶斯统计学派比超验演绎法更加成熟和复杂。
Jun, 2010