- LLM-ARC: 提升 LLM 模型与自动推理评论家
LLM-ARC 是一个神经符号框架，通过将大语言模型（LLMs）与自动推理评论家（ARC）相结合，提升其逻辑推理能力。它采用了演员 - 评论家方法，其中 LLM 演员生成声明性逻辑程序和语义正确性测试，而自动推理评论家评估代码，运行测试，并 - CVPRALGO：基于物体纳入的视觉常识推理用于开放世界自我中心动作识别
在开放环境中学习推断标签，即在目标 “标签” 未知的情况下，是实现自主性的重要特征。我们提出了一种神经符号框架（ALGO），通过使用存储在大规模知识库中的符号知识，在仅有有限监督的情况下，推断自心视角视频中的活动。
- ICML自动形式化欧几里德几何
本文介绍了一种自动形式化欧几里得几何的神经符号框架，该框架结合了领域知识、SMT 求解器和大型语言模型，这一框架的挑战之一在于通过定理证明器自动填充图形信息以简化模型，实验结果展示了自动形式化几何问题时最新的语言模型的能力和局限性。
- stl2vec：时序逻辑的语义和可解释向量表示
将符号知识与数据驱动的学习算法集成是人工智能中长期存在的挑战，该论文以时序逻辑为知识表达形式，设计了一种计算具有多个期望属性的连续嵌入式文法的方法，并展示了该方法在学习模型检查和神经符号框架中的应用。
- Recover: 故障检测与恢复的神经符号框架
通过集成本体论、逻辑规则和基于大型语言模型的规划器，本文介绍了一种用于在线失败识别和恢复的神经符号框架。实验评估表明，OntoThor 的逻辑规则能准确检测出所有分析任务中的故障，并且在故障检测和恢复方面，Recover 明显优于仅依赖于大 - PSYCHIC：一种用于知识图谱问答引擎的神经符号化框架
ISWC 2023 学术问答挑战中的 Scholarly QALD 任务中，我们提出了一种基于 PSYCHIC 的神经符号框架。该框架用于解决知识图谱上的问答问题，并在 DBLP-QUAD 任务中获得 00.18% 的 F1 评分和 71. - 基于条件评分的神经符号约束的生成模型
提出了一种从条件的基于分数的生成模型中强制执行任意逻辑约束条件进行采样的方法，采用柔性和数值稳定的神经符号框架来编码逻辑约束条件，并通过有效的启发式算法改进了近似条件采样算法的准确性。
- LLM 动态规划
大型语言模型与符号规划器结合的神经符号框架，为解决涉及体验代理的复杂计划任务提供更快速和高效的解决方案。
- 知识增强的图神经网络
提出 KeGNN，一种神经符号框架，结合了神经和符号方法，用于图数据的学习，旨在通过添加系统先前知识来提高精度，并通过多个基准数据集的节点分类进行评估。
- NS3D: 三维物体和关系的神经符号基础
本文提出了 NS3D 三维场景认知神经符号框架，通过使用基于大规模语言编程模型的层级结构来将语言翻译为程序，不同的功能模块实现为神经网络，并引入管高度关系的功能模块有效地推理复杂场景中物体之间的关系，在数据效率和泛化方面表现出色，在 3D - 神经符号可解释的人工智能双胞胎用于无触碰 IoE 的无线网络
本文提出了一种基于神经符号的可解释人工智能双胞胎框架，以实现对于无线万物互联环境下网络和服务管理的可靠信任，该框架通过神经网络驱动的多元回归捕捉时间相关的无线万物互联环境，并通过基于有向无环图的贝叶斯网络对无意识决策进行符号推理，实现了对显 - ICML辩证奖励学习：关于人类喜好的推理
论文提出一种新的脑神经符号框架 —— 论证奖赏学习，它将基于偏好的论证与现有的从人类反馈中进行强化学习的方法相结合，通过泛化人类偏好、减少用户负担和提高奖励模型的稳健性等方面提高了工作效率。
- ACL基于文本交互游戏的逻辑最优动作
本文介绍了一种基于神经符号框架的强化学习应用的逻辑最佳动作（Logical Optimal Actions，LOA）决策架构，LOA 通过神经网络和符号知识获取方法的组合来实现自然语言交互游戏，并提供了开源的 Python 实现，以便于研究 - EMNLP一阶逻辑中的神经符号强化学习
为了在文本角色扮演游戏中实现快速收敛和可解释的知识表示，我们提出了一种新的基于逻辑神经网络的强化学习方法，该方法可以从文本观察中提取一阶逻辑事实并使用逻辑算子训练策略，实验结果表明该方法比其他基于神经元符号框架的方法更快收敛。
- AAAI基于知识驱动的数据构建在常识问答中的零样本评估
本文提出了一种基于神经符号框架的零样本问题回答方法，利用预训练模型的外部知识资源，获得了在不同任务中的一致性提升，并且在任务结构保持的同时还生成了公平和信息丰富的问题，从而提高了语言模型的学习效果。