标签
本文介绍了SDDL，一个神经符号框架，通过将自然语言问题转化为形式化表示，提高了资源受限语言模型中的组合优化精度，与直接生成和求解器代码基线相比，实现了更高的可行性率。
本文介绍了一种用于神经符号约束求解的最小核心引导修复方法，其中语言模型利用不可满足核心中的证明来纠正翻译错误，从而减少解决方案中的虚构内容。
Euclid-Omni 是一个神经符号框架，它整合了大型语言模型（LLMs）、视觉语言模型（VLMs）和一个符号求解器，用于处理从计算到奥林匹克级别的证明的平面几何问题，并使用合成数据生成进行训练。
本文介绍了一种专家引导的神经符号流程，该流程结合了用于语义归一化的LLMs和模糊逻辑，以评估脓毒症治疗方案的合规性，并从临床数据中提供分级见解。
提出 Moose，一种神经符号方法，将 OWL 2 EL 本体编译为句子决策图（SDD），用于可微加权模型计数，从而在部分监督下实现潜概念学习，并首次在 OWL EL 设置中提供推理捷径分析。
提出了NeSy-Spatial，一种神经符号框架，通过组合工具使用技能和几何技能来自我进化空间推理技能，提高了空间推理基准的准确性。
本文提出了DNSSE，一种混合框架，结合了基于LLM的调度预测、符号约束求解和覆盖引导的随机变异，用于验证分布式并行AI程序。它在现实基准上检测到的并发缺陷数量是基线的2.9倍，并将分支覆盖率从68.6%提高到91.6%。
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.
SymDiag 是一种神经符号框架，将思维链推理转化为符号约束，并执行步骤级可满足性检查，以定位 LLM 推理中的失败，从而区分翻译错误与推理错误。
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。