本研究旨在模型理论中建立存在规则语言的模型论特性，如嵌入依赖项，元组生成依赖项和线性依赖项，并确定它们的复杂度限制。

Jan, 2020

研究了在模糊 DL-Lite 本体中，如何回答 CNF 查询和阈值查询的问题，并通过重写方法表明阈值查询回答在数据复杂度上始终保持在 AC0 中，但是组合查询回答高度依赖于所选的三角范数，这对基础语义产生影响。

Nov, 2021

本文研究如何最佳地放松逻辑表达式，以便将符号知识纳入到神经网络中，重点是利用亚微分的 t - 范数放松逻辑表达式。通过理论和实证研究，我们为表征在不同情况下哪种松弛方式表现最佳提供了理论和实证标准，并针对在保留重言式方面，Lukasiewicz t - 范数表现最佳的观点进行了理论研究，但在对文本分块和数字识别任务的实证分析中，产品 t - 范数实现了最佳预测性能。最后，我们总结了利用逻辑定义损失函数的最佳实践。

Jul, 2021

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

本文介绍了 Datalog 的扩展形式 Disjunctive Datalog，Datalogex 和 Datalogexor，并提供语法和语义的定义，以及解决了语言可决性问题，这些语言都是知识表示和推理方面的有吸引力的，特别是在需要基于本体论的推理的领域中。

Oct, 2012

我们提出了一个用于回答不完整知识图谱上任意合取查询的框架，该方法通过无限树状查询的系列来近似循环查询，并利用现有模型进行近似处理。经验证明，我们的近似策略取得了有竞争力的结果，并且包含存在量词变量的查询倾向于改善这些模型的整体性能，无论是对树状查询还是对我们的近似策略。

Oct, 2023

利用时态推理数据库跟踪结构化事实来探索过去事件如何影响事件的现有概率，并通过神经概率模型来提高预测准确率。

Jun, 2020

本文提出了一种称为 Difflog 的技术，可以将逻辑规则从离散变量扩展到连续变量，该技术通过为 Datalog 程序的各个规则附加实值权重，自然地将数值与程序的各个结论相关联，在知识发现、形式验证和数据库查询等问题上实现学习复杂程序的显着提高。

Jun, 2019

本文定义了一种新的语言，将 Warded Datalog+- 扩展到算术，证明了其 P 完备性，并为一种最近引入的整数算术 Datalog 片段提供了描述性复杂度结果，为高度表达 Datalog+- 语言奠定了理论基础，这些语言结合了先进递归规则和算术的优势，同时保证了现代 AI 系统中应用的高效推理算法，例如知识图谱。

Feb, 2022

本文探讨存在规则作为本体规范的形式化方法，重点研究了如何将传递性与可判定类的存在规则组合，并给出了能够安全添加传递性的情况和相应的查询重写算法。

Apr, 2015