Brain-inspired Graph Spiking Neural Networks for Commonsense Knowledge Representation and Reasoning
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
人脑中的神经网络如何表征常识知识，并完成相关的推理任务，是神经科学、认知科学、心理学和人工智能的重要研究课题。传统的人工神经网络使用固定长度的向量来表示符号，虽然在某些特定任务中获得了不错的性能，但它仍然是一个缺乏可解释性的黑盒子，与人类感知世界的方式相去甚远。受神经科学中的祖母细胞假说的启发，本文研究了群体编码和尖峰时间依赖可塑性（STDP）机制如何被整合到脉冲神经网络的学习中，以及一个神经元群体如何通过引导不同神经元群体之间完成顺序放电来表示一个符号。不同社区的神经元群体共同构成了整个常识知识图谱，形成了一个巨图脉冲神经网络。此外，我们引入了奖励调制尖峰时间依赖可塑性（R-STDP）机制来模拟生物强化学习过程，并相应地完成相关的推理任务，实现了与图卷积人工神经网络相当的精度和更快的收敛速度。对于神经科学和认知科学领域，本文的工作为进一步探索人类大脑表征常识知识的方式提供了计算建模的基础。在人工智能领域，通过构造一种常识性的知识表示和推理出具有坚实生物相容性的脉冲神经网络，为实现更健壮、更可解释的神经网络指明了探索方向。
2022-07-11 cs.AI cs.LG cs.NE
Commonsense Visual Sensemaking for Autonomous Driving: On Generalised Neurosymbolic Online Abduction Integrating Vision and Semantics
University of Bremen（不来梅大学）；Örebro University（厄勒布鲁大学）
我们展示了在自动驾驶背景下系统集成视觉和语义解决方案的必要性和潜力。一个一般的神经符号的方法，在线使用答案集编程（ASP）的视觉意义构建系统的形式化和充分实施。该方法集成了视觉计算的最新技术，并被开发为一个模块化的框架，通常可用于实时感知和控制的混合体系结构。我们使用社区建立的基准KITTIMOD、MOT-2017和MOT-2020进行评估和演示。作为用例，我们关注以人为中心的视觉感知的重要性-例如，涉及语义表示和可解释性，问题回答，常识插值-在安全关键的自动驾驶情况下。开发的神经符号框架是独立于领域的，自动驾驶的案例旨在作为在选择以人为中心的人工智能技术设计考虑的背景下，在不同的认知交互环境中进行在线视觉感知的范例。保留字：认知视觉、深层语义学、陈述性空间推理、知识表示和推理、常识推理、视觉诱导、答案集编程、自动驾驶、以人为本的计算和设计、驾驶技术标准化、空间认知和人工智能。
2020-12-28 cs.AI cs.CV cs.LG
Neuro-symbolic Commonsense Social Reasoning
University College London（伦敦大学学院）
社会规范是所有人类社会互动的基础，但对它们进行形式化和推理仍然是人工智能系统的主要挑战。我们提出了一个新颖的系统，用于从社会化学101数据集中获取自然语言中的社会经验规则（ROT），并将其转换为一阶逻辑，其中使用神经符号定理证明器执行推理。我们通过几个步骤来实现这一点。首先，ROTs被转换成抽象意义表示（AMR），这是一个图形表示的概念在一个句子中，并对齐AMR与RoberTa嵌入。然后，我们通过一种新的算法生成AMR的替代简化版本，重新组合和合并嵌入，以增加对不同文本措辞和不正确AMR解析的鲁棒性。AMR然后被转换成一阶逻辑，并查询与神经符号定理证明。本文的目标是开发和评估一种神经符号方法，该方法以逻辑形式对社会情境进行显式推理。
2023-03-14 cs.AI
Guiding Topic Flows in the Generative Chatbot by Enhancing the ConceptNet with the Conversation Corpora
Tsinghua University（清华大学）；Tencent Inc（腾讯公司）
人类的会话是由合理的、自然的话题流组成的，这些话题流可以被看作是所提到的概念在话语之间的转移。以前的聊天机器人结合了外部常识知识图谱，证明了对概念转换进行建模可以有效地缓解沉闷和无信息的响应困境。然而，自然会话中的概念关系与外部常识知识图谱中的概念关系之间仍然存在差距，这是一个有待解决的问题。具体来说，外部常识知识图谱中的概念关系不是从对话场景中直观构建的，而是从世界知识中直观构建的，这使得它们不足以用于聊天机器人的构建。为了弥补上述差距，我们提出的方法，提供更多的概念关系提取会话语料库和重建一个增强的概念图的聊天机器人建设。此外，我们提出了一种新的，强大的，快速的图形编码架构命名为边变压器，以取代传统的GNN架构。Reddit会话数据集上的实验结果表明，我们提出的方法显着优于强基线系统，并实现了新的SOTA结果。进一步的分析分别证明了增强的概念图和Edge-Transformer架构的有效性。
2021-09-14 cs.AI cs.CL
Commonsense Reasoning in Computer Vision: Foundations, Recent Advancements, and Future Directions
Lander University（兰德大学）；Western Michigan University（西密歇根大学）
本文综述了将常识知识融入计算机视觉任务的最新进展，介绍了相关方法、当前局限及未来研究方向，旨在开发更智能的视觉系统。
2026-09-07 cs.AI
Automated Interactive Domain-Specific Conversational Agents that Understand Human Dialogs
UT Dallas（德克萨斯大学达拉斯分校）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）；Universidad Rey Juan Carlos（胡安·卡洛斯国王大学）
实现与机器的类人通信仍然是知识表示和推理以及自然语言处理领域的经典且具有挑战性的主题。这些大语言模型（LLM）依赖于模式匹配，而不是对句子语义的真正理解。因此，它们可能会产生不正确的响应。为了产生一个肯定正确的反应，一个人必须“理解”句子的语义。为了实现这种“理解”，可以说需要基于逻辑（常识）的推理方法，例如答案集编程（ASP）。在本文中，我们描述了AutoConclusion系统，利用LLM和ASP开发一个会话代理，可以真正“理解”人类对话在受限领域。AutoConclusion专注于一个特定的领域，根据用户的偏好为他们提供当地餐馆的建议。AutoConclusion将交互式地理解用户的话语，识别其中缺失的信息，并通过自然语言语句请求用户提供信息。一旦AutoConclusion确定已接收到所有信息，它将根据从人类用户获得的用户偏好计算餐厅推荐。AutoConclusion基于我们之前开发的STAR框架，它使用GPT-3将人类对话框转换为谓词，以捕获对话框句子的深层结构。这些谓词然后被输入到目标导向的（CASP）ASP系统，用于执行常识推理。据我们所知，AutoConclusion是第一个可以像人类一样真实对话的自动对话代理，并在真正理解人类话语的基础上为人类提供帮助。
2023-03-17 cs.AI cs.LO
SYNDICOM: Improving Conversational Commonsense with Error-Injection and Natural Language Feedback
Georgia Institute of Technology（佐治亚理工学院）
SYNDICOM通过构建含无效响应及自然语言反馈的常识对话数据集，并采用先预测反馈再条件生成响应的两步训练方法，在不使用强化学习的情况下显著提升了对话系统的常识推理能力，在ROUGE1上比ChatGPT相对提升53%。
2023-09-18 cs.AI cs.CL cs.LG
Conversational Multi-Hop Reasoning with Neural Commonsense Knowledge and Symbolic Logic Rules
Facebook（脸书）；EPFL（洛桑联邦理工学院）；University of Washington（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）
会话代理所面临的挑战之一是他们无法识别用户命令的未陈述假设，这对于人类来说是一项微不足道的任务，因为他们的常识。在本文中，我们提出了一个用于会话代理的零射击（zero-shot）常识推理系统，试图实现这一目标。我们的推理器揭示了用户命令中未声明的假设，这些用户命令满足一个通用模板，即if-（state），then-（action），because-（goal）。我们的推理机使用一个国家的最先进的基于转换器的生成常识知识库（KB）作为其背景知识的来源进行推理。我们提出了一种新的和迭代的知识查询机制，提取多跳推理链的神经知识库，使用符号逻辑规则，显着减少搜索空间。与迄今为止收集的任何知识库类似，我们的常识知识库容易丢失知识。因此，我们提出了对话式引出人类用户与我们的新的动态问题生成策略，生成和呈现上下文查询人类用户的缺失的知识。我们通过对人类用户的用户研究来评估该模型，与SOTA相比，该模型的成功率高出35%。
2021-09-17 cs.AI cs.CL cs.LG
Building Trustworthy AI by Addressing its 16+2 Desiderata with Goal-Directed Commonsense Reasoning
University of Texas at Dallas（德克萨斯大学达拉斯分校）
提出基于s(CASP)的目标导向常识推理方法，支持16+2项可信赖AI期望，解决LLMs幻觉和规则推理器复杂性问题，实现可靠可解释的AI。
2025-10-30 cs.AI cs.LO
Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic Systems
Bosch Center for Artificial Intelligence（博世人工智能中心）
本文提出通过集成认知架构与外部神经符号组件（以ACT-R为核心）的混合框架，以赋予AI系统高级推理能力，解决大型语言模型和自动驾驶等系统在常识推理与未知场景适应上的不足。
2023-11-13 cs.AI
Conversational AI : Open Domain Question Answering and Commonsense Reasoning
Erik Jonsson School of Engineering and Computer Science（埃里克·琼森工程与计算机科学学院）；The University of Texas at Dallas（得克萨斯大学达拉斯分校）
我们的研究重点是建立一个类人的问答系统，可以合理地回答。我们的方法的显着特点是，它将使用自动化的常识推理来真正“理解”对话，使其能够像人类一样交谈。人们在交谈中经常会做出很多假设。我们用我们的常识来推断没有明确告诉我们的事实。在问答系统中简化常识知识只会使它更健壮。
2019-09-18 cs.AI cs.HC cs.LO
CASPR: A Commonsense Reasoning-based Conversational Socialbot
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
我们报告了CASPR系统的设计和开发，这是一个旨在参加亚马逊Alexa Socialbot Challenge 4的社交机器人。CASPR的显著特点是，它将使用自动化的常识推理来真正“理解”对话，使其能够像人类一样交谈。社交机器人的三个主要要求是它应该能够“理解”用户的话语，拥有进行对话的策略，并能够学习新知识。我们开发了会话知识模板（CKT）等技术，以近似于就特定主题进行会话所需的常识推理。我们提出的理念背后的CASPR的设计以及其实施的细节。我们还报告了CASPR的业绩，并讨论了经验教训。
2021-10-11 cs.AI cs.HC cs.LO
Continual Reasoning: Non-Monotonic Reasoning in Neurosymbolic AI using Continual Learning
City, University of London（伦敦城市大学）
针对深度学习难以处理非单调推理的问题，提出将持续学习融入逻辑张量网络的持续推理方法，经实验验证可显著提升非单调推理任务准确率，在统计关系学习场景也有应用潜力。
2023-05-03 cs.AI cs.LG
Augmenting End-to-End Dialog Systems with Commonsense Knowledge
Beijing Institute of Technology（北京理工大学）；Nanyang Technological University（南洋理工大学）；Tsinghua University（清华大学）
构建能够与人类自然对话的对话智能体是人工智能的一个具有挑战性且有趣的问题。在开放域人机对话中，对话代理人被期望以有趣和引人入胜的方式对人类的反应做出响应，常识知识必须有效地集成到模型中。在本文中，我们调查的影响，提供常识知识的概念涵盖的对话。我们的模型代表了第一次尝试将一个大的常识知识库集成到端到端的会话模型。在基于检索的场景中，我们提出了Tri-LSTM模型，以联合考虑消息和常识来选择适当的响应。我们的实验表明，知识增强模型优于他们的知识自由同行在自动评估。
2018-02-12 cs.AI cs.CL
Dialogue Chain-of-Thought Distillation for Commonsense-aware Conversational Agents
Yonsei University（延世大学）；University of Minnesota（明尼苏达大学）
本文提出知识蒸馏框架，利用LLMs作为不可靠教师并通过一致性过滤器选择性蒸馏一致依据，构建对话思维链推理器DOCTOR，为对话智能体提供高质量推理依据以显著提升回复质量。
2023-10-22 cs.AI cs.CL
Advancing the State of the Art in Open Domain Dialog Systems through the Alexa Prize
Amazon（亚马逊）
构建开放域对话系统，允许用户就他们选择的主题进行引人入胜的对话是一项具有挑战性的任务。Alexa Prize于2016年推出，旨在解决实现自然，持续，连贯和引人入胜的开放领域对话的问题。在2018年的第二轮比赛中，大学团队通过在对话模型中使用上下文，利用知识图谱进行语言理解，处理复杂的话语，构建统计和分层对话管理器，以及利用用户响应的模型驱动信号来推进最先进的技术。2018年的比赛还包括为参赛者提供一套工具和模型，包括CoBot（会话机器人）工具包，主题和对话行为检测模型，对话评估器和敏感内容检测模型，以便参赛团队可以专注于构建知识丰富，连贯和引人入胜的多轮对话系统。本文概述了大学团队和Alexa Prize团队为实现推进对话式人工智能科学的共同目标而取得的进展。我们解决了几个关键的开放式问题，如会话语音识别，开放域自然语言理解，常识推理，统计对话管理，对话评估。这些合作努力使Alexa用户的体验得到了改善，平均评分为3.61分，中位持续时间为2分18秒，平均回合数为14.6，自2018年比赛启动以来分别增长了14%，92%和54%。对于会话语音识别，自Alexa Prize推出以来，我们的相对单词出错率提高了55%，相对实体出错率提高了34%。Socialbots在2018年的质量改善速度明显加快，部分原因是CoBot工具包的发布。
2018-12-27 cs.AI cs.CL
PIGLeT: Language Grounding Through Neuro-Symbolic Interaction in a 3D World
Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
我们提出了PIGLeT：一个通过交互学习物理常识知识的模型，然后使用这些知识来建立语言。我们将PIGLeT分解为一个物理动力学模型和一个单独的语言模型。我们的动力学模型不仅学习了物体是什么，还学习了它们的作用：玻璃杯在投掷时会破碎，而塑料杯则不会。然后，我们使用它作为我们的语言模型的接口，给我们一个统一的语言形式和基础意义的模型。PIGLeT可以阅读一个句子，通过神经模拟接下来可能发生的事情，然后通过文字符号表示或自然语言传达结果。实验结果表明，我们的模型可以有效地学习世界动态，以及如何传达它们。对于给定的英语句子，它能够在80%以上的情况下正确预测“接下来会发生什么”，比100倍大的文本到文本方法的性能高出10%以上。同样，它的物理相互作用的自然语言总结也被人类判断为比LM替代品更准确。我们提出了全面的分析，显示未来的工作空间。
2022-01-30 cs.AI cs.CL
JARVIS: A Neuro-Symbolic Commonsense Reasoning Framework for Conversational Embodied Agents
University of California（加州大学）
针对对话具身智能体构建的难题，提出融合神经与符号方法的JARVIS常识推理框架，在TEAch数据集三项任务上达SOTA，少样本表现优异，获Alexa Prize SimBot挑战赛第一。
2025-09-02 cs.AI cs.CL cs.CV
Better Later Than Sooner: Neuro-Symbolic Knowledge Graph Construction via Ontology-grounded Post-extraction Correction
University of Edinburgh, UK（爱丁堡大学）；Samsung AI Center, Cambridge, UK（三星人工智能中心）
提出一种神经符号框架，通过后提取校正解决LLM提取知识图谱时的本体不一致问题，减少token使用并提升图谱一致性。
2026-09-09 cs.AI cs.LG
Fin-Ally: Pioneering the Development of an Advanced, Commonsense-Embedded Conversational AI for Money Matters
Department of Computer Science and Engineering, Indian Institute of Technology Patna, India（计算机科学与工程系，印度理工学院帕纳布分校）；School of Information Technology, King Mongkut's Institute of Technology Ladkrabang, Thailand（信息科技学院，拉差班国王技术学院）；CRISIL Limited, India（CRISIL有限公司）
针对金融对话中 LLM 回复不专业、领域数据不足的问题，本文提出 Fin-Solution 2.O，构建 Fin-Vault 多轮数据集，并通过 COMET-BART 常识上下文与 DPO 训练 Fin-Ally，以提供更专业、贴合人类偏好的金融指导。
2025-09-29 cs.AI
Prompt2DeModel: Declarative Neuro-Symbolic Modeling with Natural Language
Michigan State University（密歇根州立大学）；Florida Institute for Human and Machine Cognition（佛罗里达人机认知研究所）
本文提出一种基于自然语言提示的对话式管道Prompt2DeModel，利用大语言模型在DomiKnowS框架中生成声明式程序，结合动态检索与解析器反馈等技术，使非ML/AI专家的领域专家能为定制神经模型形式化声明领域知识。
2024-07-30 cs.AI cs.CL cs.HC
VeriCoT: Neuro-symbolic Chain-of-Thought Validation via Logical Consistency Checks
University of Pennsylvania（宾夕法尼亚大学）；Amazon Web Services（亚马逊网络服务）
VeriCoT 通过将思维链推理步骤形式化为一阶逻辑并进行一致性验证，以识别逻辑缺陷并预测答案正确性，同时利用验证信号改进推理与微调。
2025-11-06 cs.AI cs.CL
Logic-Parametric Neuro-Symbolic NLI: Controlling Logical Formalisms for Verifiable LLM Reasoning
University of Luxemburg（卢森堡大学）；University of Sheffield（谢菲尔德大学）
本文提出逻辑参数化框架，通过可控逻辑形式提升神经符号推理的鲁棒性与适应性，实验表明内部逻辑策略在不同领域具有更优表现。
2026-01-09 cs.AI cs.CL cs.LO
Can-Do! A Dataset and Neuro-Symbolic Grounded Framework for Embodied Planning with Large Multimodal Models
Singapore University of Technology and Design（新加坡科技设计大学）；DAMO Academy, Alibaba Group（阿里巴巴达摩院）
本文提出 Can-Do 基准数据集评估具身规划，并构建 NeuroGround 神经符号框架，通过结合环境状态感知与符号规划引擎，有效解决了 GPT-4V 等模型在视觉感知与推理上的瓶颈。
2024-09-22 cs.AI cs.CL cs.CV
LNN-EL: A Neuro-Symbolic Approach to Short-text Entity Linking
MIT（麻省理工学院）；IBM Research（IBM研究院）；University of Oregon（俄勒冈大学）
实体链接（EL），通过将文本中的提及链接到知识图谱中的实体来消除歧义的任务，对于文本理解，问答或会话系统至关重要。短文本上的实体链接（例如，单个句子或问题）由于上下文有限而提出了特别的挑战。虽然以前的方法使用的是逻辑或黑盒神经方法，但在这里，我们提出了LNN-EL，这是一种神经符号方法，它结合了使用基于一阶逻辑的可解释规则与神经学习性能的优点。尽管受限于使用规则，LNN-EL与SotA黑盒神经方法相比具有竞争力，并且具有可扩展性和可移植性的额外优势。特别是，我们表明，我们可以很容易地混合现有的规则模板由人类专家，多种类型的功能（先验，BERT编码，框嵌入等），甚至从以前的EL方法产生的分数，从而改善了这种方法。例如，在LC-QuAD-1.0数据集上，我们显示F1评分比之前的SotA增加了$4$ \%以上。最后，我们表明，使用逻辑提供的归纳偏差导致学习规则在数据集之间传输良好，即使没有微调，同时保持高精度。
2021-06-17 cs.AI cs.CL cs.SC
Abductive Reasoning with Probabilistic Commonsense
International Laboratory on Learning Systems（学习系统国际实验室）；McGill University（麦吉尔大学）；Mila - Quebec Artificial Intelligence Institute（魁北克人工智能研究所）；Huawei Noah's Ark Lab（华为诺亚实验室）
本文提出PACS算法，通过LLM和形式求解器结合，建模常识认知的个体差异，提升大语言模型的归纳推理能力。
2026-05-08 cs.AI stat.CO
BenSParX: A Robust Explainable Machine Learning Framework for Parkinson's Disease Detection from Bengali Conversational Speech
Chittagong University of Engineering and Technology（吉大港工程技术大学）；East Delta University（东三角洲大学）；Charles Sturt University（查尔斯特大学）；Bangabandhu Sheikh Mujib Medical University（班加班杜·谢赫·穆吉布医科大学）
本文提出首个孟加拉语会话语音帕金森病检测数据集BenSparX及可解释机器学习框架，通过声学特征与SHAP分析实现95.67%准确率，并验证其跨语言泛化能力。
2026-09-16 cs.LG cs.SD eess.AS
Aeon: High-Performance Neuro-Symbolic Memory Management for Long-Horizon LLM Agents
Independent Researcher（独立研究者）
Aeon通过神经符号认知操作系统优化长时域大语言模型的记忆管理，实现高效内存压缩和加速，提升推理性能与稳定性。
2026-02-17 cs.AI
Temporal Reasoning on Implicit Events from Distant Supervision
Allen Institute for AI（艾伦人工智能研究所）；University of Pennsylvania（宾夕法尼亚大学）；Amazon（亚马逊）
我们提出了TRACIE，一个新的时间推理数据集，评估系统理解隐式事件的程度-事件没有明确提到的自然语言文本，但可以推断出it. This引入了一个新的挑战，在时间推理研究，以前的工作集中在明确提到的事件。人类读者可以通过常识推理推断出隐含的事件，从而更全面地理解情况，从而更好地推理时间。然而，我们发现，国家的最先进的模型的斗争时，预测隐式和显式事件之间的时间关系。为了解决这个问题，我们提出了一个神经符号的时间推理模型，SYMTIME，它利用远程监督信号从大规模的文本，并使用时间规则结合开始时间和持续时间推断结束时间。SYMTIME在TRACIE上的表现优于强基线系统5%，在零先验知识培训设置中优于强基线系统11%。我们的方法也推广到其他时间推理任务，证明了1%-9%的MATRES，一个明确的事件基准增益。
2021-05-07 cs.CL
Retrieval-Augmented Conversational Recommendation with Prompt-based Semi-Structured Natural Language State Tracking
University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）
本文提出RA-Rec，一个基于LLM的检索增强对话状态跟踪系统，通过半结构化自然语言状态跟踪和常识推理解决复杂用户偏好理解与物品检索问题。
2024-05-25 cs.AI cs.CL
VERGE: Formal Refinement and Guidance Engine for Verifiable LLM Reasoning
Case Western Reserve University（凯斯西储大学）；Amazon Web Services（亚马逊网络服务）
VERGE结合LLM与SMT求解器，通过迭代细化生成验证引导答案。其通过分解LLM输出为原子声明，自动形式化为一阶逻辑，并利用自动定理证明验证逻辑一致性。引入多模型共识、语义路由和精确逻辑错误定位等创新，提升推理可靠性。
2026-10-14 cs.AI cs.CL
Bayes Meets Entailment and Prediction: Commonsense Reasoning with Non-monotonicity, Paraconsistency and Predictive Accuracy
Cardiff University（卡迪夫大学）；National Institute of Technology, Sendai College（仙台国立工业高等专门学校）
最近贝叶斯方法在神经科学和人工智能中取得的成功提出了大脑是贝叶斯机器的假设。由于逻辑和学习都是人类大脑的实践，这导致了另一个假设，即逻辑推理和机器学习都有贝叶斯解释。在本文中，我们介绍了一个生成模型的逻辑后果关系。它形式化了一个句子的真值是如何从世界状态的概率分布中概率地生成的过程。我们表明，生成模型的特点是经典的后果关系，次协调的后果关系和非单调的后果关系。特别是，生成模型给出了一个新的结果关系，优于他们的推理不一致的知识。我们还表明，生成模型给出了一种新的分类算法，在Kaggle Titanic数据集上的预测准确性和复杂性方面优于几种代表性算法。
2021-01-27 cs.AI
The Scenic Route to Deception: Dark Patterns and Explainability Pitfalls in Conversational Navigation
研究探讨了生成式AI在行人导航中的应用，揭示了对话接口可能带来的操纵风险，并提出神经符号架构作为提升可信任度的方法。
2026-03-15 cs.AI cs.CY cs.HC
Goal-Oriented Reasoning for RAG-based Memory in Conversational Agentic LLM Systems
University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（向量人工智能研究所）
本文提出Goal-Mem框架，通过目标导向的推理提升RAG记忆在复杂任务中的表现，尤其在多跳推理和隐含推理中效果显著。
2026-06-07 cs.AI
Bongard-OpenWorld: Few-Shot Reasoning for Free-form Visual Concepts in the Real World
School of Computer Science, Peking University（北京大学计算机学院）；National Key Laboratory of General Artificial Intelligence, BIGAI（BIGAI通用人工智能全国重点实验室）；School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
本文提出 Bongard-OpenWorld 基准，用真实图像和开放词汇自由形式概念测试少样本视觉推理，发现现有 VLM、LLM 及神经符号方法仍显著落后于人类。
2025-01-07 cs.LG
A Real-Time Neuro-Symbolic Ethical Governor for Safe Decision Control in Autonomous Robotic Manipulation
本文提出一种实时神经符号伦理控制器，通过整合伦理推理与风险评估机制，提升自主机器人操作中的安全决策能力，实验验证了其在不同人类接近度和操作风险下的有效性。
2026-03-15 cs.AI cs.LG cs.RO
Foundation Models for Logistics: Toward Certifiable, Conversational Planning Interfaces
Neurosymbolic Intelligence（神经符号智能）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Colorado Boulder（科罗拉多大学波德分校）
本文提出了一种基于神经符号框架的视觉-语言物流代理，通过自然语言对话和可验证保证实现可信赖的物流规划决策，模型在少量训练样本下实现了高效且准确的物流规划性能。
2026-01-30 cs.AI cs.FL
Bongards at the Boundary of Perception and Reasoning: Programs or Language?
Cornell University（康奈尔大学）；Shanghai Jiao Tong University（上海交通大学）；Nanyang Technological University（南洋理工大学）
本文提出了一种神经符号方法，利用大语言模型和贝叶斯优化解决Bongard问题，通过生成参数化程序化表示来提升视觉推理能力。
2026-02-03 cs.AI cs.CV
