通过在语言模型中引导少样本范例设计，本文研究了计算机自动化的设计，提出了基于 Sample 和结构化提示的控制代理 Synapse，通过条件分解、结构化提示和样本检索三个部分，能够提高计划的正确性并在 MiniWob++ 基准测试中实现人类级性能，同时也为将 LLMs 融入实际工具自动化提供了新思路。

Jun, 2023

提出了一种无需显式监督，通过观察图片和配对问答学习视觉概念、单词和句子语义分析的神经符号概念学习器，其通过神经符号推理模块将符号程序执行于潜在场景表示，辅助学习新词并解析新句子，使用课程学习指导对图像和语言的复合空间进行搜索，并进行了广泛实验来证实其在学习视觉概念、单词表示和语义分析方面的准确性和效率。

Apr, 2019

本文提出了一个新的生命周期学习的方法，命名为记忆感知突触 (Memory Aware Synapses)，它计算神经网络参数的重要性，并根据重要性进行惩罚以防止重要知识被覆盖，这与大脑学习过程的 Hebb 规则有相关性。在物体识别任务和嵌入学习任务中，该方法表现出最先进的性能。

Nov, 2017

从少数示例中抓取灵活的视觉概念。我们探索了一种神经符号系统，该系统学习如何推断以通用方式捕捉视觉概念的程序。我们引入了模板程序：来自特定领域语言的程序表达式，用于指定输入概念中的结构和参数模式。我们的框架支持多个与概念相关的任务，包括通过解析进行少数示例生成和共分割。我们开发了一种学习范式，使我们能够从包含概念分组的视觉数据集中直接训练推断模板程序的网络。我们在多个视觉领域进行实验：2D 布局，Omniglot 字符和 3D 形状。我们发现我们的方法优于特定任务的替代方案，并在存在有限领域特定方法的领域中表现出有竞争力。

Mar, 2024

该研究提出了一种基于神经符号场景表征的解释交互学习方法，它能够在语义层面上对模型进行干预，通过对物体的组合性解释来获得更好的效果。

Nov, 2020

本文提出了 PRESCA 系统，使用概念学习以及因果关联和数据增强等方法，让用户更轻松地通过概念来指定其对自动化代理的偏好，并在 Minecraft 环境中验证其有效性。

Oct, 2022

使用神经符号技术 NeurTaskSyn, 可以为给定的编程要求自动综合编程任务，可提高编程教育的质量。

May, 2023

该论文提出了一个从多个视角捕捉的无标注视频演示中学习视觉表示的框架，优化了最近提出的自监督学习算法，应用对比学习来增强与任务相关的信息和抑制特征嵌入中的无关信息，验证了所提出的方法在模拟几种机器人任务，包括 pick and place 任务中的应用，评估了学习表示的三个指标：视点对齐，阶段分类和强化学习，在所有情况下，结果都表明与现有方法相比，该方法水平更高，而且训练轮数更少。

Jan, 2022

本文提出一种新的方法 —— 在最先进的识别模型中加入符号知识图谱，从而提高了模型的识别新物体的准确性。实验结果表明，与现有的少样本分类器相比，该方法的性能更好。

Jun, 2023

本论文研究通过弱监督和隐式原型表达来学习概念基础表达，使用交互式概念交换网络（iCSNs）将概念信息绑定到特定的原型插槽中，并通过基于几何对象共享的视觉概念在 “初级概念推理”（ECR）数据集上进行实验。

Dec, 2021