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

本论文提出了一种结合神经网络的模式识别能力、符号推理和背景知识来解决类比推理问题的框架，并应用于 RAVEN 的递进矩阵上，取得了与人类表现有竞争力甚至更优秀的结果。

Sep, 2022

本文提出了一种神经符号融合的概率演绎和执行学习器，通过分离知觉和推理的过程，使用神经视觉感知前端和符号逻辑推理后端，基于概率场景表示进行概率诱导和执行，实现了复杂的人工智能时空推理任务并提高了泛化能力和答案生成能力。

Mar, 2021

这篇论文调查了在图结构上执行神经符号推理任务的广泛方法，并提出了一个新的分类法来比较这些方法，包括基于逻辑推理嵌入方法、施加逻辑约束的嵌入方法和规则学习方法。此外，还提供了一个表格概述这些方法。

Feb, 2023

该研究提出了一种针对实际视频问答任务的神经符号框架（NS-VideoQA），通过引入场景解析网络（SPN）和符号推理机（SRM），实现了对复合时空问题的高效推理和回答能力的提升。

Apr, 2024

SPRING 是一种将神经和符号推理相结合的设计生成器，通过在深度生成网络内嵌入符号推理模块，它能满足用户要求并提供可解释性以及管理未遇到过的用户规格，提供高质量设计和更好地满足用户要求。

Oct, 2023

神经符号 AI 旨在将深度学习与符号 AI 相结合，以减少训练神经网络所需的数据量，提高模型给出答案的可解释性和可解性，并验证经过训练的系统的正确性。我们研究神经符号学习，既有使用符号语言表示的数据，也有背景知识。通过模糊推理、概率推理以及训练神经网络来连接符号和神经组件，以交流这一知识。

Jan, 2024

研究了一种基于归纳逻辑规划的归纳时空学习框架，支持包含处理和解释动态视觉空间图像的多个领域中，通过关系时空特征的学习。提供了一个原型系统和一个在视觉艺术和计算认知科学领域的示例应用。

Aug, 2016

这篇综述介绍了神经符号和统计关系人工智能这两个领域之间七个不同维度的相似之处，包括学习和逻辑推理，这些不仅可以用于表征和定位神经符号人工智能方法，还可以指出进一步研究的方向。

Mar, 2020

我们针对导航问题进行研究，提出了一种使用空间语义元素的神经代理导航模型，并探究了它们对导航代理的推理能力的影响。研究结果表明，指令中显式建模空间语义元素可以改善模型的基础和空间推理能力，并在已见及未见环境上取得了竞争性的性能。

May, 2021