- 元认知人工智能：框架与神经符号化方法的案例
元认知是关于代理自身内部过程的推理概念，在心理发展学领域首次引入。本文研究将元认知应用于人工智能的概念，提出了一个名为 TRAP 的元认知人工智能理解框架，包括透明度、推理、适应性和感知。我们逐个讨论了每个方面，并探讨了神经符号人工智能在解 - BANSAI：通过神经符号编程缩小工业机器人 AI 应用差距
使用神经符号人工智能与数据驱动的子符号程序综合和优化，BANSAI 方法通过桥接人工智能应用差距，提出了现代工业机器人程序编制工作流的解决方案。
- IJCAI利用逻辑背景知识改进基于神经网络的分类
我们提出了一种新的用于有命题背景知识的监督多标签分类的形式化方法，称为推理中的语义调整，其在推理过程中限制系统而不影响训练，相比于另外两种常见的神经符号技术（语义调整和语义正则化），我们讨论了其在理论和实际上的优势，并开发了一种新的多尺度方 - 具有可解释模型和策略网络的神经符号强化学习的三个路径
神经符号人工智能结合经典符号方法的可解释性、简洁性和显式推理与数据驱动神经方法的统计学习。本文在实际强化学习环境中展示了实现此类模型和策略的三个途径，并探讨了逻辑、模拟和学习的潜力和困难，以及与可学习性和可解释性之间的权衡关系。
- 神经符号学习系统中的优化
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 - AAAI构建可信的神经符号 AI 系统：一致性、可靠性、解释性和安全性
支持关键应用领域的 NeuroSymbolic AI 方法在大型语言模型中建立了一套 CREST 框架，以提供一种具备解释性、可靠性、用户层面可解释性和安全性的 AI 系统。
- NeSy4VRD: 用知识图谱进行视觉关系检测的神经符号化人工智能研究多方面资源
NeSy4VRD 是一个多面资源，以支持神经符号 AI (NeSy) 研究的发展为设计目的。其中包括 VRD 数据集的图像和经过大幅度修订、质量改进的 VRD 视觉关系标注。重要的是，NeSy4VRD 提供了一个与数据集领域相关的用于描述本 - 神经符号 AI 及其分类：一项调查
该论文调查了近年来神经符号 AI 领域的研究论文，对提出的模型及应用进行了分类和比较。这些模型结合了符号处理和神经网络，旨在通过学习数据分布，基于先前和学习的知识进行推理，并在其中进行共生使用，以实现人工智能通用。
- 神经符号 AI - 为什么、是什么、如何
该论文介绍了神经符号 AI 的发展及其对人类感知认知、机器感知认知的巨大潜力。
- 符号、子符号和混合方法在顺序决策制定方面的综述
该研究对于 SDM 的符号、子符号以及混合方法进行了评估，讨论了面临的挑战以及如何通过结合符号和子符号 AI 推进 SDM 领域的几项倡议。
- 神经 Lambda 演算：神经符号 AI 遇上计算和函数编程基础
研究使用基于 Lambda Calculus 的神经网络模型作为程序的执行方法。
- 图结构推理的神经符号人工智能：综述
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。
- 逻辑张量网络
本文介绍了一种名为 Logic Tensor Networks（LTN）的神经符号形式和计算模型，支持通过引入一种称为 Real Logic 的可微分一阶逻辑表示语言进行学习和推理，并说明 LTN 提供了一种统一语言来规范和计算多个人工智