标签
本文介绍了MT-PDCL，一种基于测度论的概率确定子句逻辑框架，通过使用标准Borel σ-代数上的Lebesgue积分而非离散例化，将概率逻辑编程推广到连续域。它用精确、代数且可微的推理取代了组合例化的瓶颈，同时保留了确定子句逻辑的声明式语法。
本文提出了一种三阶段神经符号流水线用于游戏毒性检测，结合了Transformer集成与基于规则的调解，在EEUCA 2026共享任务中取得了最高准确率。
本文介绍了NeurOWL，一个利用大语言模型（LLM）和本体嵌入的神经符号框架，用于对不完整的OWL本体进行包含关系验证与外展推理，从而在公理缺失的情况下实现推理。
本文提出了一种从深度强化学习策略中提取可执行Prolog程序的方法，提供了关于回报和保真度的理论保证，实现了可解释性和手动编辑。
介绍了FormalAnalyticGeo，这是一个基于神经符号的框架，用于自动生成多模态解析几何问题。它利用形式化中间表示（CDL）和LLM组件，生成了包含超过7K个经过验证的问题的AnalyticGeo7K数据集，具有高几何精度。
当前主流纯数据驱动机器人方案存在数据效率低、泛化性差的缺陷，新提出的神经符号物理智能范式将任务拆分为世界建模和规划两步，仅需1-10个演示即可学会新任务，泛化能力远超传统端到端方案，为通用机器人提供了更可靠的路径。
本文提出了一种新的AI智能体安全范式，采用带有神经符号隔离的可执行证明约束动作（ePCA）框架，实证评估中实现了零攻击成功率。
本文介绍了奇美拉训练（Chimera Training），这是一种用于逻辑异常检测的方法，通过在特征层面进行反事实构建来训练神经规则评估器，无需真实的异常图像，从而在CLEVRER、OpenImages和VidOR等基准测试上提升了规则级异常检测性能。