该研究论文提出了一种将大型语言模型（LLMs）与溯因学习（ABL）框架相结合的新方法（ChatABL），旨在以更易于理解的方式统一感知、语言理解和推理能力，进一步接近人类水平的认知能力。该方法通过将自然语言格式中表示的推理规则进行总结和重新组织，利用 LLM 的理解和逻辑推理的优势来校正不完整的逻辑事实，以优化感知模块的性能，并提供必要的推理示例，以自然语言的形式为 LLMs 提供帮助。研究结果表明，ChatABL 在抽象表达上超越了大多数现有的最先进方法，并具有超越人类的推理能力。

Apr, 2023

本篇论文介绍了一种称为 Abductive Meta-Interpretive Learning ($Meta_{Abd}$) 的方法，该方法结合了知识推理和归纳学习技术，从数据中共同学习神经网络和逻辑理论，并证明了该方法在预测准确性和数据效率方面的优越性，以及可以在后续学习任务中重复使用的背景知识。

Oct, 2020

本研究提出基于 “缺省推理” 思想的联合感知和推理框架来实现人工智能的人类水平认知能力，并建立了神经逻辑机来实现该框架。实验证明，该框架在从少量手写公式数据中学习后，能够很好地推广到复杂的新数据中，并在人工智能领域中标志着开创了一种新的研究方向。

Feb, 2018

本文提出一种基于通用 Transformer 的深度学习模型，通过发现高效的算数程序，利用外部的网格状记忆进行多位数的加法计算，并且发掘了人类类似的计算策略，如位值对齐。

Jul, 2022

该研究针对数学领域中的推理、学习、应用规则等独特挑战，提出了一个数学问题套件的任务，用于测试和评估神经架构等系统的性能、能力和失效模式。通过生成数据并运用序列到序列的最强模型，可以从不同角度评估模型在数学问题解决和知识推广方面的能力。

Apr, 2019

通过分解中间推理步骤及连接策略，研究并因素化生成中间步骤的益处，结果表明任选的推理策略显著影响性能，而通过某些配置，即使在长度外推的情况下，表现也接近完美，提高神经推理模型的有效策略具有重要性。

Feb, 2023

提出了一种名为 Brain 的新方法，通过模仿人类思维过程来增强数学推理能力，在生成规划时使用额叶模型，然后利用顶叶模型生成代码并执行以获得答案，在数学推理任务中取得了最先进的性能，并发现可以明确从自然语言、代码或正式语言中提取规划。

Feb, 2024

本文介绍了一种利用关系抽象概念来帮助大型语言模型在数学推理方面提高的新方法，并发现将这种序列用作提示可使模型具有更强的推理能力，特别是在需要执行多步任务的情况下。

Oct, 2022

提出了一种混合系统，通过学习适当的替换规则并迭代应用这些规则到输入字符串，能够解决需要在符号序列上进行组合和系统推理的算术问题。

Jun, 2023

通过使用神经符号技术对语言模型进行培训，可以利用推理的逻辑规则作为约束，并为模型提供额外的监督来源，以弥补由于无法达到所需的抽象水平而在未观察到的复杂输入组合中难以提供解决方案的问题。我们聚焦于文本上的空间推理这一具有挑战性的问题，通过在多个语言模型上的多个基准测试中的结果验证了基于神经符号训练的有效领域转移假设。

Jun, 2024