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

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

本文提出了一个简单的概率模型，可应用于感知和逻辑推理，它将两种过程统一起来：一方面是感知和逻辑知识从另一个知识中派生的过程，另一方面是从数据中派生出这种知识的过程，并且在逻辑推理中完全描述了该模型。

Jun, 2022

通过代数操作简单的学习系统来建立推理能力，而非试图在机器学习系统和复杂的推理机制之间建立联系。

Feb, 2011

本文提出一种基于生成模型的逻辑推理关系，将真值的概率生成过程化，证明了该模型优于其他推理模型，同时给出了一种性能优越的分类算法。

Dec, 2020

该论文提出了一种简单的推理理论，用来从数据中完全推理符号知识。采用贝叶斯方法模拟数据如何导致符号知识，符号知识的概率推理被建模为正向与反向因果推理的过程。该理论应用于机器人本地化问题，研究表明机器人在完全基于数据的情况下，即使传感器出现故障或噪声也可以高效解决问题。

Jan, 2023

该论文提出了一种新的逻辑理论获取机制，结合神经符号学方法，使用前向推理不可微分规则感知网络从一组观察到的事实中学习提取一组逻辑规则和一小组核心事实，以推导其它事实，并在多个 ILP 规则归纳和领域理论学习数据集上展示了其有效性。

Sep, 2018

本文基于生成模型的思想，采用 Bayesian learning 方法，探究形式逻辑及其数理统计特性，构建了一个统一的形式逻辑和统计推理理论。

Feb, 2022

本篇论文介绍了一种称为 Abductive Meta-Interpretive Learning ($Meta_{Abd}$) 的方法，该方法结合了知识推理和归纳学习技术，从数据中共同学习神经网络和逻辑理论，并证明了该方法在预测准确性和数据效率方面的优越性，以及可以在后续学习任务中重复使用的背景知识。

Oct, 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