neurosymbolic

本文介绍了NSPIN，一个神经符号框架，它使用预训练的大型语言模型从临床叙述中提取结构化事件序列，并为手术过程诱导概率规划领域模型。通过在腹腔镜阑尾切除术记录上的评估，展示了其泛化能力和与外科实践的一致性。

Bern2Edge是一种神经符号编译器，能将预训练神经网络转换为伯恩斯坦多项式表示，以在FPGA上实现高效且可解释的边缘部署，显著降低延迟和资源使用，同时保持准确性。

该论文提出了一种神经符号架构，通过整合自然语言和视觉演示中的语义约束，学习组装新型结构，实现了更高效的数据自适应在线学习。

本文介绍了MOOSEDev，一个面向编程智能体的神经符号记忆系统，该系统使用本体来结构化项目知识，并展示了在处理架构决策和理由方面，相较于向量记忆工具具有更优的检索性能。

本文提出了Mecellem语义协议，这是一个基于本体论的人工法律智能框架，主张法律推理需要动态的、依赖上下文的含义构建，而非仅仅是法典化或统计模式识别。

This paper proposes InK, a neurosymbolic hierarchical reinforcement learning approach that uses incremental knowledge for symbolic planning and reward-shaped low-level neural modules, achieving improved sample efficiency in navigation tasks.

本文提出了一种神经符号框架，利用组合范畴语法将LLM输出提升为类型化组合推导，从而实现结构检查和早期幻觉检测。

本文提出了一种通用的神经符号推理与学习方法，将答案集编程与基于能量的模型框架进行模块化集成，支持连续潜空间中的联合优化和端到端训练。并在MNIST、CLEVR和MOT基准测试上展示了其应用。

Forethought 是一种神经符号推理系统，它将推理视为由符号与神经基元组合成的显式、可验证的程序。该系统可将基础模型准确率相对提升约 30%，使小模型在保持模型无关性与可审计性的同时，达到甚至超越前沿模型。

本文介绍了NeSyCat Torch，这是一种用于神经符号学习的范畴语义的可微张量实现，它将经典语义、模糊语义和概率语义统一在一个单子框架下，并在MNIST加法任务上展示了相比LTN和DeepProbLog等现有系统更优的速度和准确性。

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。