标签
Introduces LiFTER, a neuro-symbolic predictor for continuous-time dynamic graph forecasting that grounds predictions in observable temporal facts and executable rules, enabling fully inspectable and verifiable link prediction with competitive accuracy and high explanatory fidelity.
本文提出了一种用于激光粉末床熔融的神经符号闭环架构，其中环内本体将符号推理与统计学习相结合，以控制熔池深度并消除悬垂挂渣。通过校准至NIST AM-Bench基准的代理模型验证了可行性。
ConWriter 引入了一种无需训练的框架，用于长篇故事生成，通过场景级增量写作、符号状态推理和不确定性感知的风险信号来维持叙事一致性。在 ConStory-Bench 上跨多个模型和长度进行了评估，旨在防止一致性错误在扩展上下文中传播。
Introduces CANOE, a multi-agent neuro-symbolic framework for open-ended care plan coordination that uses argumentative computation and human-in-the-loop contestation to improve transparency, safety, and clinical correctness.
ANCHOR-RE是一种智能体神经符号框架，它将本体引导推理和外部知识锚定集成到LLM推理中，用于生物医学关系抽取，无需微调即可在多个基准上提升F1分数。
NeSyFS是一个面向部分可观测环境下LLM智能体的神经符号框架，利用知识图谱表示信念状态，结合快慢思考与不确定性感知规划及反思机制，在ALFWorld、Webshop和ScienceWorld上取得了显著效果。
Chronofy 提出了一种名为时序逻辑衰减架构（TLDA）的三层神经符号框架，通过时序子空间嵌入、衰减加权图检索和信号时序逻辑验证，将时间有效性直接集成到 RAG 系统中，以减少时间幻觉。
提出SAGE，一种结合语言模型与认知模型的神经符号框架，用于语用推理，并通过包括指称表达生成和含意在内的三个案例研究进行验证。
本文提出了一种面向部分可观测强化学习中时序知识图谱记忆的神经符号元策略，结合基于RDF的图表示与符号记忆管理启发式方法，实现了可检查且自适应的控制。
介绍了Octopus，一种神经符号架构，结合了大语言模型群体与算法物理引擎，用于自主发现癌症脆弱性，识别出IGF2作为耐药性的生物标志物。
提出CART，一种神经符号框架，将自然语言推理步骤与符号约束断言交织在一起，以在链式思维轨迹中早期检测并纠正多模态LLMs的错误。将雪球率从65%降低到14%，并在多个基准上提高了准确性。
本文介绍了一种神经符号流水线，用于自动化LEED v4.1 BD+C合规性验证，使用小型本地部署的语言模型和确定性数值检查。在四栋大学建筑上的实验表明，4B模型优于8B模型，确定性检查器纠正了关键得分点上的算术错误，尽管多模态输入会降低准确性。
本文提出了一种基于贝尔纳普类型化内涵一阶逻辑的神经符号通用人工智能机器人的概率扩展方法。它引入了全局和局部对称变换来保存知识并实现实时决策，其中神经网络基于最大信息熵计算概率密度。
介绍CANDI-QA，这是一个用于评估大语言模型在小众领域上下文对齐能力的数据集，包含信息辅助型和应用推理型问题。对十多个大语言模型的系统评估揭示了挑战，并提出了一个轻量级神经符号框架MTSS-Net作为基线。
本文提出了KGRL，一种神经符号算法，利用以Datalog表达的领域知识来剪枝动作并约束参数，在参数化动作马尔可夫决策过程中提高了样本效率和回合回报，优于现有最先进的基线方法。
本文提出了一种神经符号方法，将MaxSAT预言机作为一致性验证器，引导视觉语言模型（VLM）解决数独谜题，从而提高逻辑一致性和求解实例数量。
介绍了ZendoWorld，这是一个受控的交互环境，用于评估AI智能体在主动视觉概念归纳方面的能力，智能体需要感知场景、推断隐藏的逻辑规则并设计信息丰富的实验。使用不同类别智能体的实验表明，高预测精度并不能保证规则恢复，基于VLM的智能体在信息性实验方面表现不佳，突出了与人类归纳推理之间的差距。
RimRule提出了一种神经符号方法，利用最小描述长度原则从失败轨迹中提炼出紧凑、可解释的规则，在不修改权重的情况下提升LLM工具使用性能，并展示了规则在模型间的可迁移性。
本文提出了一种ReAct风格的智能体设置，将LLM推理与SageMath的可验证反馈相结合，并在研究级数学问题上进行了评估。结果显示，各模型性能显著提升，其中GPT-5.5取得了最高的75.2%解题率。