标签
本文提出一个六阶段审计框架，用于评估神经符号AI文献的可复现性，发现仅有6.5%的已发布工件研究可被复现，凸显了研究可复现性的危机。
本文介绍了ChemOntoRule，一个概念验证的神经符号系统，它使用以任务为中心的本体和确定性规则来解决学校级别的化学问题，在受控评估中达到了高准确率。
EduRiskX是一种神经符号框架，它将时序Transformer模型与F逻辑推理相结合，用于在线教育中早期学术风险的预测，与最先进模型相比，展示了更高的准确性和可解释性。
本文提出了一种结构内化规则语言模型（SIRLM），旨在解决知识图谱推理中使用大语言模型时的推理证据感知漂移问题，通过耦合结构和参数知识来提高忠实性和有效性，实验表明其优于最先进的方法。
本文立场论文主张，对于约束满足问题的神经求解器，必须优先考虑符号集成以确保可证明的正确性，特别是在分布偏移下，并以数独为例。
本文介绍了Hybrid-to-NeSy (H2N)框架，该框架系统地将混合机理-数据驱动模型转化为神经符号人工智能设计，从而能够推导出结构违规率和信念离散度等指标，作为机理部分认知不确定性的度量。
本文针对MeMo架构提出了版本感知操作与事务存储器，使得知识变化时能够直接编辑显式关联矩阵存储器，而无需重新训练整个模型。
本文提出了一种两阶段的神经符号框架，利用弱监督（仅需 1% 的标签）结合基于 Slot 的变分自编码器（VAE），学习用于以对象为中心的视觉推理的可解释符号，在领域泛化方面优于基础模型。
本文提出了一种利用2.5维分解的神经符号流水线，通过将垂直坐标计算卸载至确定性执行器，提高了基于大语言模型的空间构建准确性，在基准测试和边缘硬件上均实现了高精度。
本文介绍了 SHARP，这是一种面向金融交易代理的神经符号框架，通过结构化的、可人工审核的规则进行策略优化，从而在嘈杂的市场环境中提升鲁棒性和透明度。