本文提出了 Convex Neural Symbolic Learning（CoNSoLe）框架，通过对深度 Q 学习过程以及符号系数估计两个步骤的凸性分解，使用 Locally Convex Equation Learner（LoCaL）神经网络来建立符号系数估计模型并在常用的物理函数不同损失表面区间内取得了优异的性能表现和结果。

Jun, 2022

本研究中，通过将符号操作和神经采样器与参数化策略相结合，将它们打包成模块化的神经符号技能，并将其顺序化组合为搜索 - 采样二层任务和动作规划来解决新任务。在四个机器人领域的实验中，展示了具有神经符号技能的二层规划策略能够解决各种具有不同初始状态、目标和对象的任务，优于六个基线和消融。

Jun, 2022

梯度下降优化在机器学习的成功中起到了关键作用，本研究论文聚焦于嵌套优化问题，特别是超参数优化和生成对抗网络；然而，在大规模求解嵌套问题时，经典方法往往表现不佳，因此我们针对深度学习环境构建了可扩展的嵌套优化工具。

Jul, 2024

基于双层规划的元学习方法，将表示层作为共享超参数，在少数样本情况下实现了较好的结果。

Jun, 2018

设计了一种名为 BO-REP 的新的双层优化算法，用于解决具有潜在无界平滑性的神经网络在双层优化问题中的挑战。证明了在随机环境下，该算法需要大约 1/ε^4 次迭代来找到一个 ε- 稳定点，结果与有界平滑度设置和没有均方平滑性的随机梯度的最新复杂度结果相匹配。实验证明了所提出算法在超表征学习、超参数优化和文本分类任务中的有效性。

Jan, 2024

本文针对双层 (随机) 优化问题，探讨了梯度下降方法的算法稳定性与泛化误差之间的基本联系，并在一般性情形下给出了稳定性界限的分析，通过实验证明了迭代次数对泛化误差的影响。

Oct, 2022

该综述介绍了神经符号学习（NeSyL）的最新方法及其原理，并讨论了它在视频和图像字幕、问答和推理、健康医学信息学和基因组学等领域的应用和未来发展前景。

Jul, 2022

本文提出了一种名为 Deep Symbolic Learning（DSL）的神经符号集成系统，它可以同时学习感知和符号函数，并且能够在可微分的神经网络学习管道中创建内部（可解释的）符号表示，以最好的方式解释数据。

Aug, 2022

本文探讨了深度神经网络存在的一些局限性，以及最近兴起的神经符号混合系统如何整合符号推理并提出改进方法，将通用注释逻辑扩展为一个基于离散优化的二值化神经网络，提供了可行性证明，并讨论了实现该框架面临的挑战。

Feb, 2023

深度学习与神经符号整合是解决深度学习普适性和推理任务的挑战，通过预训练神经模型并通过迁移学习注入感知部分的权重，可以改善当前神经符号方法中的收敛速度、复杂感知任务的学习难度和局部最小值问题。

Feb, 2024