采用逻辑神经网络学习归纳逻辑规则，得出高度可解释且具有灵活参数化以适应数据的规则。

Dec, 2021

本文利用逻辑神经网络（LNNs）定义推理图，通过控制不需要执行的动作来加速强化学习的收敛速度，从外部知识源中实现无模型强化学习，我们的实验结果表明，相较于没有逻辑约束的模型自由强化学习方法，我们的方法收敛速度更快。

Mar, 2021

该论文提出了一种基于熵的标准及一种新的端到端可微分的方法，用于从概念神经网络中提取逻辑解释，该方法使用一阶逻辑的形式化定义，并考虑了四个案例研究来证明这种熵基准能够从临床数据到计算机视觉中，在安全关键领域中提取简洁的逻辑解释。

Jun, 2021

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

通过启用预训练语言模型的深度神经网络，在系统 1 和系统 2 的理论支持下，实现了基于神经和符号处理的类比推理和逻辑推理，并在数值推理的两种自然语言理解任务中显著优于现有的最先进方法。

Mar, 2022

提出了一个融合符号与深度学习方法的推理框架 NeuralLog，通过结合单调性逻辑推理引擎和神经网络语言模型进行短语对齐，并使用 beam search 算法解决 NLI 任务，实验证明该联合推理系统在 NLI 任务上提高了准确性，并可在 SICK 和 MED 数据集上实现最先进的准确性。

May, 2021

本文介绍了如何利用动态神经网络结构和基本逻辑操作，将深度学习和逻辑推理相结合，提出了名为 LINN 的模型，以推理方式解决推荐系统的问题，并在理论和实践任务中都取得了显著的性能提升。

Aug, 2020

提出了一种基于布尔逻辑代数的深度神经网络学习模型，建立了神经逻辑网络模型，可以显式地学习和解释逻辑函数，特别是用于归纳逻辑编程问题的新框架。通过在测试任务上的表现比较，证明了所提供的模型在元素算法任务上的有效性，并且可用于一些基准任务，如有序列表上的排序、十进制加法和乘法。

Apr, 2019

本文提出了一种可解释性的短语推理方法（EPR），通过无监督的逻辑推理来解释自然语言推理（NLI）模型。该模型使用深度学习模型来检测两个句子中对应的语义单元，并进行相应的逻辑推理，从而提高了模型的可解释性和可训练性。

Sep, 2021

我们提出了一种新的框架，无缝提供神经网络（学习）和符号逻辑（知识和推理）的关键属性，每个神经元都有权重实值逻辑公式的组成部分，得到了高度可解释的分离表示，推理是全向的而不是集中在预定义的目标变量上，对应于逻辑推理，包括经典的一阶逻辑定理证明作为特殊情况。

Jun, 2020