通过深度学习使自主系统能够在感知的亚符号方式下逐渐理解对象及其环境，执行对象检测、传感器数据融合和语言理解任务。为了实现强大的人工智能，我们需要考虑人类提供的显式教学和通过观察人类行为获得的隐式教学，同时设计多模态输入和输出能力的系统以支持隐式和显式交互模型。我们提出了几个假设和设计指南，并通过相关工作的一个用例来实现这个目标。

Sep, 2023

本文研究了一种基于深度神经网络和神经符号方法的分类和回归模型，并引入了 Logic Tensor Networks 作为神经符号预测模型，能够区分和解释异常连接和正常连接。通过详细对比和解释深度神经网络和神经符号网络的实现和结果，论文提出了混合系统的需求。结果显示，虽然两种方法在预测模型准确性上相似，但 Logic Tensor Networks 还具备交互准确性和基于数据的演绎推理等优势。同时还讨论了过拟合缓解和可扩展性等优缺点。

May, 2024

本研究介绍了一种名为 DRLSL 的新的神经符号模型自由深度强化学习方法，将深度强化学习与符号逻辑知识驱动推理相结合，可以在现实环境下实现安全学习，以实现自主驾驶政策，并可在训练和测试阶段成功避免不安全的行为，且比传统的深度强化学习方法更具有一般性和更快的收敛速度。

Jul, 2023

本文提出一种基于语义损失函数的神经符号 AI 的方法，用于上下文感知的人体活动识别中，避免了符号推理模块，同时在建立的训练模型中注入了特定知识要求，能够在一些方面超越现有方法，如数据驱动模型，达到或者超过现有的系统识别率。

Jun, 2023

机器学习、显著目标检测、脑编程、鲁棒性和安全性是本论文的关键词，研究了如何设计可靠的视觉注意系统以及其在野生动物保护和监测活动中的重要性。

Sep, 2023

深度学习与神经符号整合是解决深度学习普适性和推理任务的挑战，通过预训练神经模型并通过迁移学习注入感知部分的权重，可以改善当前神经符号方法中的收敛速度、复杂感知任务的学习难度和局部最小值问题。

Feb, 2024

该研究介绍了一种基于神经符号元强化前瞻学习（NUMERLA）的在线元强化学习算法，采用前瞻更新机制实现了自动驾驶模型在非稳态城市人车交互场景下的实时适应性和安全性。

Sep, 2023

本文提出了一种完整的神经符号方法，用于以端到端的方式将图像处理为对象，并在学习关系和逻辑规则方面。主要贡献是以可微分层为基础，从而可以通过剪枝和阈值确定符号关系和规则。我们使用两个数据集进行模型评估：符号规则学习的子图同构任务和学习对象，关系和规则的复合关系的图像分类域。结果表明，该模型超越最先进的符号学习者并优于深度关系神经网络架构。

Jun, 2021

融合神经符号人工智能（NSAI）和传统网络入侵检测系统（NIDS）的研究，通过分析网络流量数据类型和机器学习架构，展示了 NSAI 在提供对网络行为更深入洞察力方面的独特能力，从而改善了检测性能和系统的适应性。这种技术的融合不仅增强了传统 NIDS 的功能，也为构建更具弹性、可解释性和动态防御机制以应对先进网络威胁的未来发展奠定了基础。

Jun, 2024

提出一种基于深度学习的方法，将预测、决策和规划模块融合起来，以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足，特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练，并且支持市场上所有的批量生产 ADAS 功能。在此论文中，展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下，通过部署到集约的测试车辆上，展示了其可行性、可用性和商业潜力。

May, 2024