人工智能的显著进步主要是由深度神经网络所推动，然而不可持续的计算轨迹、有限的鲁棒性和缺乏解释性的问题要求开发下一代人工智能系统。神经符号人工智能 (NSAI) 作为一种有潜力的范式，将神经、符号和概率方法融合在一起，提高可解释性、鲁棒性和可信度，并能够从较少的数据中进行学习。最近的 NSAI 系统在具有推理和认知能力的协作人工智能场景中展示了巨大的潜力。在本文中，我们对 NSAI 的最新进展进行了系统综述，并分析了 NSAI 模型的性能特征和计算操作符。此外，我们还从系统和架构的角度讨论了 NSAI 面临的挑战和潜在的未来方向。

Jan, 2024

本文介绍了一种名为 NSIL 的神经符号归纳学习方法，通过训练一个通用神经网络，从原始数据中提取潜在的概念，同时学习映射潜在概念与目标标签的符号知识，从而解决复杂决策问题。我们在三个不同复杂度的问题领域上评估了 NSIL，包括 NP 完全问题。结果表明，NSIL 学习到了表达丰富的符号知识，能够解决计算复杂的问题，并在准确性和数据效率方面取得了最先进的性能。

May, 2022

本文探讨了神经符号计算技术中深度学习和知识表示应该如何有机结合，通过 20 年来的相关研究结果，为下一个 AI 系统的关键性成分做出探索，以神经符号系统的视角提出 AI 技术应该在信任、安全、可解释性和问责制方面有所提升和解决的方向和挑战。

Dec, 2020

人工神经网络在教育应用中具有适应性教育服务的重要性，然而由于三个重大挑战，即难以整合教育知识、学习和反思偏见，以及缺乏解释性，它们在实践中的教育潜力受到限制。该研究认为神经符号人工智能具有解决这些挑战的潜力，通过开发一种称为 NSAI 的方法，它将教育知识注入和提取到深度神经网络中，以建模学习者的计算思维。研究发现 NSAI 方法相较于仅在训练数据上训练的深度神经网络以及通过 SMOTE 和自编码器方法来增强训练数据的深度神经网络具有更好的泛化能力。此外，NSAI 方法使得从学得的网络中提取规则成为可能，便于解释与推理以及优化初始教育知识。这些发现表明神经符号人工智能能够克服人工神经网络在教育领域中的局限，实现可信赖和可解释的应用。

Nov, 2023

人形机器人通过结合隐私、安全和访问控制约束与任务规划方法，从分析它们的权衡中得出混合方法的必要性，并提出了神经符号人工智能新的应用案例。

Dec, 2023

本文介绍了神经符号计算（NeSy）领域的重要和最新研究发展，包括研究历史，背景知识，关键驱动因素以及主要特征。文章讨论了该领域的一些重要应用并针对目前存在的问题提出了新的研究方向，以期进一步推动以数据和知识为驱动的 AI 的研究进展。

Oct, 2022

这篇综述介绍了神经符号和统计关系人工智能这两个领域之间七个不同维度的相似之处，包括学习和逻辑推理，这些不仅可以用于表征和定位神经符号人工智能方法，还可以指出进一步研究的方向。

Mar, 2020

利用我们提出的神经向量符号架构（NVSA）对 Raven's 渐进矩阵数据集进行端到端训练，N VSA 的平均准确率达到了 87.7％，而 I-RAVEN 数据集则为 88.1％。与神经符号方法内的符号推理相比，NVSA 的概率推理具有两个数量级的更快速度。

Mar, 2022

这篇论文调查了在图结构上执行神经符号推理任务的广泛方法，并提出了一个新的分类法来比较这些方法，包括基于逻辑推理嵌入方法、施加逻辑约束的嵌入方法和规则学习方法。此外，还提供了一个表格概述这些方法。

Feb, 2023

本文综述了神经符号人工智能在真实世界应用中的最新发展，介绍了常见神经符号应用的分类法，总结了各个领域的最新技术现状，并且提供了对未来发展的新视角。

Sep, 2022