通过深度学习使自主系统能够在感知的亚符号方式下逐渐理解对象及其环境，执行对象检测、传感器数据融合和语言理解任务。为了实现强大的人工智能，我们需要考虑人类提供的显式教学和通过观察人类行为获得的隐式教学，同时设计多模态输入和输出能力的系统以支持隐式和显式交互模型。我们提出了几个假设和设计指南，并通过相关工作的一个用例来实现这个目标。

Sep, 2023

本文提出了一种基于 GRU 的模型，结合了注意机制，将语法信息和时间结构相结合，具有与其他神经网络架构相当的性能，在 ACE2005 数据集的不同随机初始化和训练验证测试划分下进行了经验评估。

Aug, 2018

本文提出一种基于语义损失函数的神经符号 AI 的方法，用于上下文感知的人体活动识别中，避免了符号推理模块，同时在建立的训练模型中注入了特定知识要求，能够在一些方面超越现有方法，如数据驱动模型，达到或者超过现有的系统识别率。

Jun, 2023

本文介绍了两种实现自主驾驶的算法：深度学习和自适应神经符号网络系统。本研究旨在结合深度学习的目标识别和跟踪技术以及自适应神经符号网络代理来改善物体识别性能，并利用雷达传感器实现了对汽车行驶轨迹的准确检测。

Mar, 2022

本研究提出了一种新的神经符号方法（NeuroSyM）来推进人类动作预测领域，通过利用定性轨迹演算法（QTC）来在邻域中加权不同交互，并在中长期时间范围内使用两种最先进的架构进行实验测试。实验结果表明，在大多数情况下，NeuroSyM 方法在预测准确性方面优于基线架构。

Apr, 2023

本文提出了一种名为逻辑卷积神经回归器的神经符号模型，通过将卷积神经网络的处理能力与直接将真实逻辑引入模型的互动控制相结合来检测悬臂梁中的损伤，并在实验中证明了该混合方法的优越性。

May, 2023

本研究探讨了使用完全事件驱动的处理方法和基于现代循环深度状态空间模型的事件流建模来实现几个事件流基准测试的最新性能。

Apr, 2024

本文研究了一种基于深度神经网络和神经符号方法的分类和回归模型，并引入了 Logic Tensor Networks 作为神经符号预测模型，能够区分和解释异常连接和正常连接。通过详细对比和解释深度神经网络和神经符号网络的实现和结果，论文提出了混合系统的需求。结果显示，虽然两种方法在预测模型准确性上相似，但 Logic Tensor Networks 还具备交互准确性和基于数据的演绎推理等优势。同时还讨论了过拟合缓解和可扩展性等优缺点。

May, 2024

本文研究复杂事件识别技术中的不确定性，并回顾了基于自动机、概率图模型和一阶逻辑等技术以及基于 Petri 网和语法的方法，提出了它们存在的一些限制，并针对性地指出未来研究的方向。

Feb, 2017

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