A Neuro-vector-symbolic Architecture for Solving Raven's Progressive Matrices
IBM Research – Zurich（IBM苏黎世研究院）；ETH Zürich（苏黎世联邦理工学院）
无论是深度神经网络还是符号人工智能，都没有达到人类所表达的那种智能。这主要是因为神经网络无法分解联合表示以获得不同的对象（所谓的绑定问题），而符号人工智能则遭受详尽的规则搜索等问题。这两个问题在神经符号人工智能中仍然很突出，其目的是将两种范式中的最佳结合起来。在这里，我们表明，这两个问题可以解决我们提出的神经矢量符号架构（NVSA），利用其强大的运营商的高维分布式表示，作为一个共同的语言之间的神经网络和符号AI。NVSA的有效性通过求解Raven渐进矩阵数据集来证明。与最先进的深度神经网络和神经符号方法相比，NVSA的端到端训练在RAVEN数据集中达到了87.7%的平均准确率，在I-RAVEN数据集中达到了88.1%的新记录。此外，与神经符号方法中的符号推理相比，NVSA的概率推理在分布式表示上具有更便宜的操作，快了两个数量级。我们的代码可在https://github.com/IBM/neuro-vector-symbolic-architectures上获得。
2023-03-03 cs.AI cs.CV cs.LG
A Semantic Framework for Neuro-Symbolic Computing
Simon Fraser University（西蒙菲莎大学）；City, University of London（伦敦城市大学）
针对神经符号AI领域缺乏通用编码定义以实现方法理论比较的问题，本文提出语义框架，给出语义编码的形式化定义并验证其涵盖多种现有方法，为未来编码提供指导并助力相关理论讨论。
2024-11-27 cs.AI
From Statistical Relational to Neuro-Symbolic Artificial Intelligence
KU Leuven, Department of Computer Science（比利时鲁汶大学）
神经符号和统计关系人工智能都集成了逻辑推理的学习框架。这项调查确定了这两个领域在七个不同方面的几个相似之处。这些不仅可以用来描述和定位神经符号人工智能方法，而且还可以确定一些进一步研究的方向。
2020-03-24 cs.AI
NeuroQL: A Neuro-Symbolic Language and Dataset for Inter-Subjective Reasoning
OrgD. Labs（OrgD实验室）
我们提出了一个新的人工智能任务和基线解决方案的主体间推理。我们将主观间信息定义为可能由不同方共享的客观和主观信息的混合物。例如，IR（信息检索）系统报告的商品及其客观属性，需要与在线论坛的主观用户评论进行交叉引用。对于一个人工智能系统来说，要成功地对两者进行推理，它需要能够将客观事实的符号推理与主观用户评论中的共识结合起来。为此，我们引入NeuroQL数据集和DSL（特定领域语言）作为此问题的基线解决方案。NeuroQL是一种神经符号语言，它扩展了与神经原语的逻辑统一，用于提取和检索。它可以作为一个目标，用于将主体间问题（以自然语言提出）自动翻译成可以回答它们的神经符号代码。
2023-03-13 cs.AI cs.CL cs.PL
Neuro-Symbolic AI: Explainability, Challenges, and Future Trends
Texas Tech University（德克萨斯理工大学）
针对神经网络可解释性不足的问题，本文基于191项神经符号AI研究提出五类可解释性分类法，分析三大挑战，并为未来研究提出建议。
2024-11-07 cs.AI cs.LG
IVIE: A Neuro-symbolic Approach to Incremental and Validated Generation of Interactive Fiction Worlds
Instituto de Computación, Facultad de Ingeniería, Universidad de la República（乌拉圭共和国大学工程学院计算机研究所）
提出IVIE神经符号方法，结合LLM的创造力与符号验证的连贯性，通过四阶段增量生成管道构建可玩的交互式小说世界，人类评估显示其生成沉浸式、主题连贯的世界，平衡了灵活性与叙事一致性。
2026-06-12 cs.AI cs.CL
Advanced Weakly-Supervised Formula Exploration for Neuro-Symbolic Mathematical Reasoning
The University of Tokyo（东京大学）
针对神经符号推理中中间标签难获取且大模型生成指令不可靠的问题，提出利用问题输入与最终输出的弱监督来探索中间标签的高级方法，并在 Mathematics 数据集上验证了其有效性。
2025-02-02 cs.AI cs.LG
Softened Symbol Grounding for Neuro-symbolic Systems
Nanjing University（南京大学）；Birkbeck, University of London（伦敦大学伯克贝克学院）
本文提出软化符号接地框架，通过 Boltzmann 分布建模、结合 projection 与 SMT solvers 的 MCMC 采样及退火机制，统一神经训练与符号推理，并在三类任务上突破现有方法边界。
2024-03-01 cs.AI cs.LG
Neuro-Symbolic Reasoning Shortcuts: Mitigation Strategies and their Limitations
University of Trento（特伦托大学）；University of Pisa（比萨大学）
神经符号预测器学习从子符号输入到更高级别概念的映射，然后对这个中间表示进行（概率）逻辑推理。这种设置在与符号先验知识的一致性方面提供了明显的优势，并且通常被认为提供了可解释性的好处，因为-凭借遵守知识-所学习的概念可以被人类利益相关者更好地理解。然而，最近的研究表明，这种设置受到推理捷径的影响，从而通过利用具有非预期语义的概念来实现高准确性，从而产生差的分布性能并损害可解释性。在这篇简短的论文中，我们建立了推理捷径和最优的损失函数之间的正式联系，并确定推理捷径可能出现的情况。在此基础上，我们讨论了自然缓解策略，如重建和概念监督的局限性。
2023-03-22 cs.AI cs.LG
ProRAC: A Neuro-symbolic Method for Reasoning about Actions with LLM-based Progression
Haoyong Wu, Yongmei Liu（作者）
本文提出神经符号框架ProRAC，利用LLM提取RAC问题要素、逐步执行行动推导状态并回答查询，在多类RAC基准测试中展现出优异性能。
2025-11-19 cs.AI cs.CL
Bridging the Gap: Representation Spaces in Neuro-Symbolic AI
Texas Tech University（德克萨斯理工大学）
本文通过四级分类框架分析191项研究，定义表示空间、信息模态、符号逻辑及协作策略，并详析46项研究，旨在弥合神经符号AI的表示差异。
2024-11-07 cs.AI cs.LG
Generalizable Neuro-symbolic Systems for Commonsense Question Answering
Bosch Research（博世研究院）；Carnegie Mellon University（卡内基梅隆大学）；Information Sciences Institute, Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院信息科学研究所）；Michigan State University（密歇根州立大学）
本章说明了如何合适的语言理解的神经符号模型可以使域的概括性和鲁棒性的下游任务。讨论了集成神经语言模型和知识图谱的不同方法。这种组合是最合适的情况下的特点，包括定量评价和定性错误分析的各种常识问答基准数据集。
2022-01-17 cs.AI cs.CL
Conceptual Views of Neural Networks: A Framework for Neuro-Symbolic Analysis
本文提出概念视角框架，用于解释神经网络，通过实验展示其在模型比较和规则学习中的有效性。
2026-03-15 cs.AI cs.CV cs.LG
Generative Interpretability via Scalable Neuro-Symbolic Models
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对大模型在智能体系统中输出不可逆行动的安全问题，提出生成式可解释性架构，使推理暴露可干预的语义检查点，并以神经符号模型实现。
2026-10-02 cs.AI cs.CL cs.LG
Semantic Probabilistic Layers for Neuro-Symbolic Learning
UCLA（加州大学洛杉矶分校）；University of Trento（特伦托大学）；University of Edinburgh（爱丁堡大学）
我们为结构化输出预测（SOP）设计了一个预测层，它可以插入任何神经网络，保证其预测与一组预定义的符号约束一致。我们的语义概率层（SPL）可以在结构化的输出空间上对复杂的相关性和硬约束进行建模，同时通过最大似然进行端到端学习。SPL以一种干净和模块化的方式将精确的概率推理与逻辑推理相结合，学习复杂的分布并将其支持限制在约束的解决方案上。因此，他们可以忠实地，有效地，模型复杂的SOP任务超出了替代神经符号的方法。我们的经验表明，SPL优于这些竞争对手在具有挑战性的SOP任务，包括分层多标签分类，寻路和偏好学习的准确性，同时保持完美的约束满足。
2022-06-01 cs.AI cs.LG
Learning Symbolic Constraint Representations from Examples: A Neuro-Symbolic Approach
Simula Research Laboratory（西穆拉研究实验室）；Microsoft（微软）；LISN, CNRS, Paris-Saclay University（法国国家科学研究中心巴黎-萨克雷大学LISN实验室）
本文提出一种神经符号框架，利用神经Oracle Transformer模拟用户响应并与FastCA引擎交互，从示例中自动学习约束网络，减少人工参与，实现数据驱动模式识别与符号推理的有效结合。
2026-09-14 cs.AI
Semantic Strengthening of Neuro-Symbolic Learning
最近提出了许多神经符号方法，其目标通常是将符号知识添加到神经网络的输出层。理想情况下，这种损失最大化了神经网络的预测满足基础域的概率。不幸的是，这种类型的概率推理通常在计算上是不可行的。因此，神经符号的方法通常诉诸于模糊近似的概率目标，牺牲声音的概率语义，或采样是很少可行的。我们首先假设约束分解以网络学习的特征为条件来处理这个问题。我们迭代地加强我们的近似，恢复之间的依赖关系的约束最负责降低近似的质量。这对应于计算以网络的学习特征为条件的约束对之间的互信息，并且可以被解释为两个分布的梯度对齐程度的度量。我们将展示如何有效地计算易处理的电路。我们在三个任务上测试我们的方法：预测魔兽争霸中的最小成本路径，预测最小成本完美匹配，以及解决数独难题，观察到它在基线上有所改进，同时避开了棘手问题。
2023-02-28 cs.AI cs.LG
Neuro-Symbolic Imitation Learning: Discovering Symbolic Abstractions for Skill Learning
Intelligent Autonomous Systems, TU Darmstadt, Germany（图腾达姆施塔特大学智能自主系统研究所）；German Research Center for AI, Germany（德国人工智能研究中心）；Hessian Centre for Artificial Intelligence, Germany（黑森州人工智能中心）；Honda Research Institute EU, Germany（本田欧洲研究院）
本文提出一种神经符号模仿学习框架，通过学习符号表示将任务分解为子任务并利用符号规划生成抽象计划，进而学习神经技能将其转化为机器人命令，在模拟环境中提升了数据效率、泛化能力和可解释性。
2025-11-03 cs.AI cs.LG cs.RO
Learning Neuro-Symbolic Skills for Bilevel Planning
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
在机器人环境中，决策具有连续的以对象为中心的状态，连续的动作，长视野和稀疏反馈。分层方法，如任务和运动规划（TAMP），通过将决策分解为两个或更多个抽象级别来解决这些挑战。在给出演示和符号谓词的环境中，之前的工作已经展示了如何使用手动设计的参数化策略学习TAMP的符号运算符和神经采样器。我们的主要贡献是学习参数化的政策，结合运营商和采样器的方法。这些组件被打包成模块化的神经符号技能，并与搜索然后采样的TAMP一起排序，以解决新的任务。在四个机器人领域的实验中，我们证明了我们的方法-神经符号技能的双层规划-可以解决各种不同初始状态，目标和对象的任务，优于六个基线和消融。视频：https://youtu.be/PbFZP8rPuGg代码：https://tinyurl.com/skill-learning
2022-10-12 cs.AI cs.LG cs.RO
Neuro-Symbolic Hierarchical Rule Induction
Shanghai Jiao Tong University（上海交通大学）
提出了一种有效的可解释神经符号模型来解决归纳逻辑程序设计（ILP）问题。在这个模型中，它是建立在一组元规则组织在一个层次结构，一阶规则是通过学习嵌入匹配的事实和身体谓词的元规则。为了实例化它，我们专门设计了一组富有表达力的通用元规则，并证明它们会生成Horn子句的结果片段。在训练过程中，我们注入一个受控的\pw{Gumbel}噪声，以避免局部最优值，并采用可解释性正则化项，以进一步引导收敛到可解释的规则。我们根据经验验证了我们的模型对各种任务（ILP，视觉基因组，强化学习）对几个国家的最先进的方法。
2021-12-26 cs.AI cs.LG
BiNSGPS: Geometry Problem Solving via Bidirectional Neuro-Symbolic Interaction
MAIS, Institute of Automation of Chinese Academy of Sciences（自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
提出BiNSGPS框架，通过多模态大语言模型顾问与符号求解器之间的双向神经符号交互，动态纠正不一致的形式表示或提出辅助假设，以解决几何问题中的早期错误和符号冲突。
2026-06-03 cs.AI
Safe Neurosymbolic Learning with Differentiable Symbolic Execution
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们研究的问题，学习最坏情况下安全的参数，使用神经网络以及符号，人类编写的代码的程序。这种神经符号程序出现在许多安全关键领域。然而，由于它们可以使用不可微运算，因此很难使用现有的基于梯度的安全学习方法来学习它们的参数。我们这个问题的方法，可区分的符号执行（DSE），在程序中的控制流路径的样本，象征性地构造最坏情况下的“安全损失”沿这些路径，并通过程序操作使用广义的REINFORCE估计反向传播这些损失的梯度。我们评估的合成任务和现实世界的基准混合的方法。我们的实验表明，DSE在这些任务上的表现明显优于最先进的DiffAI方法。
2022-03-15 cs.AI cs.LG cs.PL
Mapping the Neuro-Symbolic AI Landscape by Architectures: A Handbook on Augmenting Deep Learning Through Symbolic Reasoning
University of Toronto（多伦多大学）；Vector Institute（矢量研究所）；University of Edinburgh（爱丁堡大学）；Samsung AI Center（三星人工智能中心）
本综述首次按架构将神经符号AI技术划分为框架族，关联优势与架构，说明黑盒式符号方法增强神经网络的方式，助力研究者定位相关框架。
2024-10-29 cs.AI
The Neuro-Symbolic Concept Learner: Interpreting Scenes, Words, and Sentences From Natural Supervision
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；IIIS, Tsinghua University（清华大学交叉信息研究院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Deepmind（深度思考）；MIT BCS（麻省理工学院脑与认知科学系）；CBMM（脑、心智与机器中心）
我们提出了神经符号概念学习者（NS-CL），这是一种学习视觉概念，单词和句子的语义解析的模型，而无需对其中任何一个进行明确的监督;相反，我们的模型通过简单地查看图像和阅读配对的问题和答案来学习。我们的模型建立了一个基于对象的场景表示，并将句子转换为可执行的符号程序。为了桥接两个模块的学习，我们使用神经符号推理模块，该模块在潜在场景表示上执行这些程序。类似于人类的概念学习，感知模块根据所指对象的语言描述来学习视觉概念。同时，学习的视觉概念有助于学习新单词和解析新句子。我们使用课程学习来指导在图像和语言的大构图空间中的搜索。大量的实验表明，我们的模型学习视觉概念，单词表示，和句子的语义解析的准确性和效率。此外，我们的方法可以很容易地推广到新的对象属性，成分，语言概念，场景和问题，甚至新的程序域。它还支持可视化问答和双向图像-文本检索等应用程序。
2019-04-26 cs.AI cs.CL cs.CV
Linguistic Frameworks Go Toe-to-Toe at Neuro-Symbolic Language Modeling
Georgetown University（乔治城大学）；The University of Hong Kong（香港大学）
研究探讨了语言图表示如何提升神经语言模型性能，发现语义短语结构最有效，且词性类别影响效果差异。
2022-05-11 cs.AI cs.CL
Neuro-symbolic Models for Interpretable Time Series Classification using Temporal Logic Description
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）；IBM Research（IBM研究院）
现有的时间序列分类模型大多缺乏可解释性，难以检验。可解释的机器学习模型可以帮助发现数据中的模式，并为领域专家提供易于理解的见解。在这项研究中，我们提出了神经符号时间序列分类（NSTSC），一个神经符号模型，利用信号时序逻辑（STL）和神经网络（NN）完成TSC任务，使用多视图数据表示，并表示该模型作为一个人类可读的，可解释的公式。在NSTSC中，每个神经元都链接到一个符号表达式，即，STL（sub）公式。因此，NSTSC的输出可以解释为类似于自然语言的STL公式，描述隐藏在数据中的时间和逻辑关系。我们提出了一个基于NSTSC的分类器，采用决策树的方法来学习公式结构，完成多类TSC任务。所提出的wSTL平滑激活函数允许以端到端的方式学习模型。我们在来自小鼠的真实伤口愈合数据集和来自UCR时间序列库的基准数据集上测试NSTSC，证明NSTSC实现了与最先进模型相当的性能。此外，NSTSC可以生成与领域知识相匹配的可解释公式。
2022-09-15 cs.AI cs.LG
A Learnability Analysis on Neuro-Symbolic Learning
National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
该研究分析混合系统中神经符号任务的可学习性，提出用导出约束满足问题的解的唯一性判定可学习性，建立可学习任务的误差界并分析通用任务的渐近误差，为可学习性判定与算法设计提供理论支撑。
2025-03-21 cs.AI cs.LG
Neuro-Symbolic Scene Graph Conditioning for Synthetic Image Dataset Generation
Politecnico di Milano（米兰理工大学）
针对合成数据训练模型性能不足的问题，提出用神经符号场景图条件生成方法提升合成图像数据质量，用于数据集增强可显著提升场景图生成模型的召回率指标，为缓解数据稀缺提供新路径。
2025-03-21 cs.AI cs.CV cs.LG
Taxonomic Networks: A Representation for Neuro-Symbolic Pairing
School of Interactive Computing（交互计算学院）；Georgia Institute of Technology（佐治亚理工学院）；College of Computing and Informatics（计算与信息学院）；Drexel University（德雷塞尔大学）
本文提出神经符号对概念及分类网络表示，构建并评估了可互换的神经与符号方法，为未来整合神经与符号计算的系统奠定基础。
2025-05-30 cs.AI
Deciphering Raw Data in Neuro-Symbolic Learning with Provable Guarantees
Nanjing University（南京大学）
本文提出一种刻画知识库监督信号的新方法并建立可学习性判定准则，首次从理论上解释神经符号混合系统何时成功或失败，并通过基准实验验证其有效性。
2024-01-23 cs.AI cs.LG
Ontology-Guided Neuro-Symbolic Inference: Grounding Language Models with Mathematical Domain Knowledge
Advanced Institute for Artificial Intelligence (AI2)（人工智能研究院）
本研究通过引入形式化数学本体，提升语言模型在数学推理任务中的可靠性，验证了神经符号方法在增强形式化 grounding 方面的潜力与挑战。
2026-09-02 cs.AI cs.LG cs.SC
The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning
IBM Research Europe（IBM欧洲研究院）；Imperial College London（伦敦帝国学院）；ILASP Limited（ILASP有限公司）；ICREA-Universitat Pompeu Fabra（ICREA-庞培法布拉大学）
本文提出NeSyGPT架构，利用基础模型提取符号特征并学习答案集程序，提升神经符号推理的性能与可扩展性，同时减少标注和人工工程。
2024-02-02 cs.AI cs.LG
Neuro-Symbolic Learning for Galois Groups: Unveiling Probabilistic Trends in Polynomials
Oakland University（奥克兰大学）
本文提出神经符号方法，结合神经网络与符号推理分类多项式伽罗瓦群，在53,972个六次多项式上发现新分布趋势，优于纯数值方法，为计算代数与概率猜想奠定基础。
2025-02-28 cs.AI cs.LG
Neuro-Symbolic Bi-Directional Translation -- Deep Learning Explainability for Climate Tipping Point Research
Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出神经符号双向翻译方法NS-QAPT，通过编码器-解码器架构连接气候科学家与深度学习模型，实现气候临界点发现的可解释性，并在AMOC崩溃案例中展示初步成果。
2023-06-19 cs.AI cs.LG
NSP: A Neuro-Symbolic Natural Language Navigational Planner
University of Florida（佛罗里达大学）；Florida International University（佛罗里达国际大学）
针对自然语言路径规划中符号方法难处理自由文本、神经方法缺性能保障的问题，提出神经符号框架NSP，结合LLM推理与符号规划及反馈自校正，有效路径率达90.1%且路径更短。
2024-09-13 cs.AI cs.CL cs.HC
Neuro-Symbolic AI: An Emerging Class of AI Workloads and their Characterization
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
神经符号人工智能是人工智能研究的一个新领域，它试图将传统的基于规则的人工智能方法与现代深度学习技术相结合。神经符号模型已经证明了在图像和视频推理等领域优于最先进的深度学习模型的能力。它们还被证明可以获得高精度，而训练数据比传统模型少得多。由于该领域的出现和发表的结果相对稀疏，这些模型的性能特点没有得到很好的理解。在本文中，我们描述和分析了三个最近的神经符号模型的性能特点。我们发现，由于复杂的控制流和低操作强度的操作，如标量乘法和张量加法，符号模型具有较低的潜在并行性比传统的神经模型。然而，在它们明显可分离的情况下，计算的神经方面支配着符号部分。我们还发现，数据移动构成了一个潜在的瓶颈，就像在许多ML工作负载中一样。
2021-09-13 cs.AI cs.LG cs.NE
Neuro-symbolic Learning Yielding Logical Constraints
State Key Lab of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；University of Toronto（多伦多大学）；Birkbeck, University of London（伦敦大学伯贝克学院）
针对神经符号系统难以端到端学习的问题，提出融合神经网络训练、符号接地与逻辑约束综合的框架，通过凸差分规划、基数约束和信赖域方法实现精确高效学习。
2024-10-28 cs.AI cs.LG
Neuro-Symbolic Drive: Rule-Grounded Faithful Reasoning for Driving VLAs
Texas A&M University（德克萨斯农工大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Maryland（马里兰大学）；University of California, Riverside（加利福尼亚大学河滨分校）；University of Pittsburgh（匹兹堡大学）
提出神经符号驱动框架，利用规则规划器的决策轨迹监督驾驶VLA，实现推理与运动生成的因果耦合，显著降低轨迹误差和碰撞率。
2026-06-24 cs.AI cs.CL
Learning Neuro-Symbolic Relational Transition Models for Bilevel Planning
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
在机器人领域，学习和规划由于连续的状态空间、连续的动作空间和长的任务范围而变得复杂。在这项工作中，我们用神经符号关系转换模型（NSRT）来解决这些挑战，NSRT是一类新型的模型，它具有数据学习效率，与强大的机器人规划方法兼容，并可在对象上推广。NSRT具有符号和神经组件，实现了双层规划方案，其中外循环中的符号AI规划指导内环中的神经模型的连续规划。在四个机器人规划领域的实验表明，NSRT可以在数十或数百次训练后学习，然后用于快速规划新任务，这些任务需要多达60个动作，涉及的对象比训练期间看到的要多得多。视频：https://tinyurl.com/chitnis-nsrts
2022-06-30 cs.AI cs.LG cs.RO
Reasoners or Translators? Contamination-aware Evaluation and Neuro-Symbolic Robustness in Tax Law
Bloomberg（彭博社）；Michigan State University（密歇根州立大学）
本文研究了税法推理中LLM性能受数据污染影响的问题，提出神经符号框架提升法律AI的可靠性与鲁棒性。
2026-05-15 cs.AI cs.CL
Proof-Carrying Neuro-Symbolic Code
Southampton University（南安普顿大学）；Heriot-Watt University（赫瑞瓦特大学）
该研究从神经与符号双视角介绍“带证明的神经符号代码”概念，解释其价值，概述该新领域的初步成功与挑战，为相关研究提供方向。
2025-04-16 cs.AI cs.LO cs.PL
A Survey on Verification and Validation, Testing and Evaluations of Neurosymbolic Artificial Intelligence
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Embry-Riddle Aeronautical University（安柏瑞德航空大学）；University of Colorado, Boulder（科罗拉多大学博尔德分校）
本综述探讨了神经符号AI如何利用符号AI简化次符号AI的测试评估（T&E）与验证确认（V&V）过程，分析了两种分类法及相关算法，评估了现有T&E和V&V方法的适用性，指出符号AI在验证次符号模型预测方面潜力巨大，是安全可信AI的重要研究方向。
2024-01-10 cs.AI
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
Towards Efficient Neuro-Symbolic AI: From Workload Characterization to Hardware Architecture
Georgia Institute of Technology（佐治亚理工学院）；University of California, Berkeley（加利福尼亚大学伯克利分校）；IBM Research（IBM研究院）
本文分析了神经符号AI的工作负载特征，揭示其在现成硬件上的效率瓶颈，并提出跨层优化方案与向量符号架构硬件加速案例以提升性能。
2024-09-23 cs.AI cs.AR
LTLZinc: a Benchmarking Framework for Continual Learning and Neuro-Symbolic Temporal Reasoning
University of Pisa（比萨大学）；University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；KU Leuven（鲁汶大学）；University of Florence（佛罗伦萨大学）；University of Siena（锡耶纳大学）
本文提出 LTLZinc 基准框架，基于 LTL 与 MiniZinc 约束及图像数据集生成时间推理和持续学习任务，实验表明现有方法仍存在明显局限。
2025-07-23 cs.AI
Formal Explanations for Neuro-Symbolic AI
Monash University（莫纳什大学）
本文针对神经符号AI系统行为难以解释的问题，提出一种基于形式化溯因解释的分层解释方法，先解释符号组件以确定需解释的神经输入子集，再独立解释各神经输入，实验证明其在解释规模、时间、训练效率和模型大小等方面优于纯神经系统。
2024-10-18 cs.AI cs.LG cs.LO
Neuro-Symbolic Verification of Deep Neural Networks
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）；TU Darmstadt（达姆施塔特工业大学）
形式化验证已成为确保深度神经网络安全性和可靠性的有力手段。然而，目前的验证工具仅限于少数属性，这些属性可以表示为网络输入和输出的一阶约束。虽然对抗鲁棒性和公平性属于这一类，但许多现实世界的属性（例如，“自动驾驶车辆必须在停车标志前停车”）仍然在现有验证技术的范围之外。为了减轻这种严重的实际限制，我们引入了一种新的框架来验证神经网络，命名为神经符号验证。其关键思想是使用神经网络作为逻辑规范的一部分，从而能够验证各种复杂的真实世界属性，包括上面的属性。此外，我们演示了如何神经符号验证可以实现现有的验证基础设施之上的神经网络，使我们的框架很容易访问的研究人员和从业者一样。
2022-03-02 cs.AI cs.LG cs.LO
Image Manipulation via Multi-Hop Instructions -- A New Dataset and Weakly-Supervised Neuro-Symbolic Approach
Indian Institute of Technology Delhi（印度理工学院德里分校）；IBM Research AI（IBM研究院人工智能实验室）
本文提出名为NeuroSIM的弱监督神经符号系统，通过将多跳自然语言指令解析为基于DSL的符号程序，在多物体场景中执行复杂推理以实现图像操作，并构建了新数据集，实验证明其性能优于使用监督数据的SOTA基线。
2023-10-24 cs.AI cs.CL cs.CV
A Neuro-Symbolic Framework for Sequence Classification with Relational and Temporal Knowledge
University of Pisa（比萨大学）；University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学）；University of Florence（佛罗伦萨大学）；University of Siena（锡耶纳大学）
本文提出一种结合关系与时间知识的神经符号序列分类框架，针对不同时间步需使用不同知识且含时间关系的知识驱动序列分类问题，通过新基准对比神经符号与纯神经架构，揭示了现有神经符号方法的不足。
2025-05-08 cs.AI
Reduced Implication-bias Logic Loss for Neuro-Symbolic Learning
Nanjing University（南京大学）
本文针对神经符号学习中模糊逻辑算子引起的蕴含偏差，提出减少蕴含偏差的逻辑损失（RILL），通过转换损失函数提升性能，尤其在知识库不完整和标注数据不足时表现更稳健。
2023-09-25 cs.AI cs.LG cs.LO
A Neuro-Symbolic Framework for Answering Graph Pattern Queries in Knowledge Graphs
University of Antwerp（安特卫普大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Elsevier（爱思唯尔）；Universidad Católica de Chile（智利天主教大学）；CENIA Chile（智利CENIA机构）；Inst. for Math. and Comp. Eng.（数学与计算工程研究所）；IMFD Chile（智利IMFD机构）
提出一种神经符号框架，通过近似方案支持在不完整知识图谱上回答包含循环和存在量词的任意图模式查询，在多数据集上表现具竞争力并扩展了现有模型能力。
2024-06-05 cs.AI cs.DB cs.LG
Unlocking the Potential of Generative AI through Neuro-Symbolic Architectures: Benefits and Limitations
ICB UMR 6303 CNRS（ICB UMR 6303 法国国家科学研究中心）；Université Marie et Louis Pasteur（玛丽和路易·巴斯德大学）；UTBM（贝尔福-蒙贝利亚尔技术大学）；Université Bourgogne Europe（勃艮第欧洲大学）；Institut universitaire de France (IUF)（法国大学研究院）
本文系统研究神经符号人工智能（NSAI）架构，分析其整合神经与符号组件的方法及与当代AI技术的对齐情况，通过综合评估揭示各架构优劣势，发现Neuro > Symbolic < Neuro模型表现最优，为生成式AI发展提供参考。
2025-02-16 cs.AI cs.LG cs.SC
Neuro-Symbolic Query Optimization in Knowledge Graphs
Technical University of Munich（慕尼黑工业大学）；Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS（弗劳恩霍夫智能分析与信息系统研究所）
本章提出神经符号查询优化器，融合符号推理与神经计算以改进知识图谱查询执行计划的选择，并分析现有神经组件及实际部署中的挑战。
2024-11-21 cs.AI cs.DB
Knowledge-enhanced Neuro-Symbolic AI for Cybersecurity and Privacy
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Mississippi State University（密西西比州立大学）
本文探讨神经符号AI结合神经网络与知识图谱，以解决网络安全与隐私领域中对可解释性和安全性的需求，使AI系统能在复杂环境中实现高准确性与专家可理解的推理。
2023-07-25 cs.AI cs.CR cs.CY
