这篇论文提出了使用 ASP 作为一个统一的形式化语言来解决需要定性推理和非定性推理的问题，提出了一族可以处理任何二进制关系资料的 ASP 编码，并且在真实数据集的实验中进行了评估。

Aug, 2020

这篇文章介绍了关于认知科学、人工智能、神经计算的研究，特别是神经符号学习和推理的最新进展，从理论到应用和挑战，以及展望未来。

Nov, 2017

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。

Feb, 2024

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

该论文提出了一种基于概率图灵机的计算形式化的 QUERY 抽象，通过条件模拟捕获概率条件，从而将常识推理转化为观察到的统计模型中不确定的世界的概率推断。

Dec, 2012

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

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

该论文提出了一个关于代理人认知态度和动机类型推理的普遍的逻辑框架，它使我们能够表达多种相关概念，包括知识、信念、条件信念、欲望、条件欲望、偏好等，在此基础上，提出了具有选择机制和信念改变、欲望改变的动态运算符的两个扩展，并将前者应用于不完全信息下的单阶段博弈分析。

Feb, 2021

我们提出通过将认知架构与外部神经符号组件相结合，使人工智能系统能够进行高层次推理，讨论生成模型在最近和未来应用中的作用。

Nov, 2023

我们提出了一个新的概念化框架，迫使模型在抽象问题上进行概念推理并在可验证的符号空间中生成解决方案，使用这个框架作为分析工具，我们发现现有的大型语言模型在概念推理方面存在不足，并通过引入可信的归纳信号来改善模型的概念推理性能，实验证明我们提出的技术使模型的概念推理性能提高了 8% 至 11%，实现了一个更强大的推理系统，更少地依赖归纳偏见。

Mar, 2024