通过结合基于规则的模型的全局和精确可解释性属性与深度神经网络的高性能，提出了一种名为 Truth Table rules (TT-rules) 的神经网络框架，可将神经网络有效转化为基于规则的模型，并在保持性能和复杂性平衡的同时，实现对大型表格数据集的适配。

Sep, 2023

通过提出神经网络框架 Truth Table rules (TT-rules)，将规则模型的全局和精确可解释性与深度神经网络的高性能相结合，将神经网络转化为基于规则的模型，该模型在医疗应用中表现出与其他可解释方法相当或更高的性能。

Sep, 2023

Logic Tensor Networks 通过在第一阶逻辑语言上定义一个逻辑形式（Real Logic），该形式的公式在区间 [0,1] 上具有真值，并且具体定义在实数域上的语义高效地将推理知识与数据驱动的机器学习结合起来，并证明了通过使用谷歌的 tensorflow 原语将 Real Logic 实现在深度张量神经网络上，并在简单但有代表性的知识自动完成的实验中应用逻辑张量网络。

Jun, 2016

本文提出了一种新颖的深度网络形式，该形式不使用点乘神经元，而是依靠一系列投票表来加速基于 CPU 的推理，被称为卷积表（CT），该表在每个图像位置执行蕨操作：将位置环境编码为二进制索引，并使用索引从表中检索所需的局部输出，多个表的结果组合以获得最终输出。

Apr, 2023

通过设计神经网络拓扑结构来直接映射高效 FPGA 实现的一种新方法。其中，硬件成本与神经元扇入呈指数级增长，通过使用稀疏和低比特激励量化来限制神经元扇入及减小逻辑深度和低 LUT 成本，可以实现具有高速低延时和高吞吐量的电路。应用于高能物理和网络入侵检测等任务，具有竞争性的准确性，每秒推断量可达数亿。

Apr, 2020

本文介绍了一种名为 Logic Tensor Networks（LTN）的神经符号形式和计算模型，支持通过引入一种称为 Real Logic 的可微分一阶逻辑表示语言进行学习和推理，并说明 LTN 提供了一种统一语言来规范和计算多个人工智能任务。

Dec, 2020

TT-TFHE 是一个基于神经网络的同态加密框架，可以有效将 TFHE 用于表格和图像数据集中，该框架在加密数据推断的时间和准确性方面表现出色，特别是相对于其他 TFHE 设置和 HE 变体。

Feb, 2023

利用全连接层内的浮点精度作为每个分区内的刚性稀疏性和量化，我们提出了将整个子网络映射到单个查找表（LUT）中的方法，并通过引入跳跃连接来解决梯度消失等挑战，从而显着提高延迟。

Feb, 2024

引入一种新的约束求解方法 NeuralSAT，用作深度神经网络 (DNN) 验证的符号化求解器。

Jul, 2023

本文介绍了一种新颖的通用神经网络结构 DN F-Net，其归纳偏差促使其结构对应于包含于仿射软阈值决策项上的逻辑布尔公式的析取范式（DNF）。我们的实验证明，相对于全连接结构，在表格数据上，DNF-Net 取得了显著而一致的性能提升，证明了其在神经网络中实现端到端的表格数据处理的潜在用处。

Jun, 2020