neurosymbolic

提出一种神经符号框架，通过可微自动机表示和基于逻辑的损失函数，将LTLf约束注入基于Transformer的强化学习策略中，在保持竞争性回报的同时提高约束满足度。

本文介绍了A4D，一个将视觉观察映射到围绕可供性（例如“可移动”）构建的共享潜在空间中的框架，用于机器人规划。它在现有可供性上实现了94%的推理准确率，比现有最优方法高出15%，并且实现了100倍的推理速度提升，对未见过的物体功能具有更强的泛化能力。

本文提出了一种从大语言模型中蒸馏答案集编程规则的方法，以增强神经符号视觉问答，结果表明仅需少量示例即可生成正确的规则。

本文提出测地线流匹配（Geodesic Flow Matching），一种在环面流形上对空间语义指针（SSP）进行去噪的黎曼传输方法，并在脉冲神经SLAM系统中实现了72%的跟踪误差降低和40%的效率提升。

ImProver 2 是一个用于 Lean 4 中自动证明优化的神经符号框架，它利用专家迭代流程和脚手架来训练一个 7B 参数模型，其性能优于比它大得多的模型，并展示了小型模型能够有效重构研究级别的证明。

NeuroNL2LTL 是一个神经符号框架，它使用带有验证器在环训练的两阶段架构，将自然语言翻译为线性时序逻辑（LTL），从而为安全关键规范提供改进的正确性保证。

本文介绍了使用三元组损失生成用于Horn逻辑推理的高质量嵌入的新方法，包括平衡训练样本生成和困难样本强调的技术，这些方法提高了下游逻辑推理的效率。

本文介绍了Constrained Diffusion for Code (CDC)，这是一种无需训练的神经符号推理框架，它将约束满足直接集成到离散扩散模型的逆向去噪过程中，用于代码生成。CDC在功能正确性、安全性和语法方面持续提升约束满足率，在多个基准测试中优于现有的扩散模型和自回归基线。