本研究采用分布语义模型为基础，提出了描述逻辑的概率语义，设计了 TRILL P 系统，实现了对具有概率知识库的查询的概率计算和推理学习算法。

May, 2014

本文提出了一种高度可表达的有限置信逻辑，可以进行可计算的推理，在一阶逻辑上保持可判定性，在命题逻辑上保持可操作性，并引入一种采用此逻辑作为表示语言的推理系统，该系统展示了有限置信的好处。

May, 2017

本文研究在信念水平下进行推理的计算复杂性，并进行了参数化复杂性理论的进一步细化，探究信念水平和非逻辑符号数量对复杂性的影响。

May, 2018

该论文提出了一种将概率论和第一阶逻辑相结合的方法，在有限域内具有 Herbrand 解释的情况下，定义了概率证明定理及其推广问题，然后提出了能够同时拥有图模型推理和一阶定理证明的完整能力的方法，并开发了一种高效算法。实验表明，当逻辑结构存在时，该算法远优于目前已有的方法。

Feb, 2012

提出了一种新的基于超定理解的概率时态逻辑，用于处理现实动态系统中的不确定性，探讨了逻辑的特性并提供了基于自动机的推断机制。同时，研究了具有更好计算性质的逻辑片段，可以通过现有的声明性流程发现技术从事件日志数据中发现公式。

Mar, 2019

本研究将 3 层因果关系层次结构分为概率逻辑语言模型，第一层表达定量概率推断，第二层编码用于因果效应的 do-calculus 推理，第三层捕捉任意反事实查询。相关的公理化表达完全考虑了因果模型和概率编程，并证明了每种语言的可满足性和有效性都可以在多项式空间内可判定。

Jan, 2020

通过简单特征的决策树是否能够逼近深度神经网络的问题，以及该问题的变体，正是对可由人类解释的机器学习模型不断增长的需求。本文通过引入可解释逼近的概念来研究这些问题，这一概念捕捉了通过一些基类概念的小聚合来逼近目标概念 c 的想法。我们的主要贡献是：对于给定的 H 和 c，对于任何给定的 pair，只有下列三种情况之一成立：(i) c 无法以任意精度通过 H 来逼近；(ii) c 可以以任意精度通过 H 来逼近，但不存在一种普遍的速率来限制逼近的复杂度与精度之间的关系；或者 (iii) 存在一个只依赖于 H 和 c 的常数 kappa，对于任何数据分布和任何期望的精度水平，c 可以通过 H 来逼近，并且复杂度不超过 kappa。这种分类法与监督分类的情况形成鲜明对比，后者提供了复杂的分布自由和普遍可学习的场景。我们表明，在可解释逼近的情况下，即使对逼近的复杂度有一个略微非平凡的先验保证，也可以得到具有常数（与分布和精度无关）复杂度的逼近。我们将我们的分类法扩展到具有无界 VC 维度的类 H，并给出了基于 H 生成的代数的可解释性的特征。

Jun, 2024

讨论在计算能力不足时使用替代逼近过程和启发式方法以及使用用户效用结构对推理进行量身定制来平衡部分结果的成本和收益的应用决策理论来解决困难问题的解决方案。

Mar, 2013

本文提出了一个基于 Answer Set Prolog 作为逻辑基础、以因果贝叶斯网络为概率基础的声明式语言 P-log，用于知识表示和知识更新，并给出了多个例子表明更新方法更加优越。同时，论文给出了实现 P-log 程序的充分条件，并证明了 Bayes nets 的易于映射到符合条件的 P-log 程序上。

Dec, 2008

该研究提出了适用于可计算算法的逻辑归纳准则，该准则为每个给定形式语言中的逻辑语句分配概率并随时间逐步细化，并通过股票交易类比进行了概述。这一准则可以推导出一些有利的有界理性推理者的特性。

Jul, 2017