On Scaling Neurosymbolic Programming through Guided Logical Inference
ENS Paris-Saclay（巴黎-萨克雷高等师范学校）；Univ. Grenoble Alpes（格勒诺布尔-阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔理工学院）；LIG（信息与信号处理实验室）
提出DPNL算法通过oracle和类DPLL分解绕过逻辑溯源计算，加速精确逻辑推理，并扩展出带保证的近似版本ApproxDPNL，显著提升了神经符号编程的可扩展性和模型准确性。
2025-01-30 cs.AI
Neurosymbolic Methods for Rule Mining
Poznan University of Technology（波兹南理工大学）；INRIA（法国国家信息与自动化研究所）；IRISA（雷恩高等计算机与通信研究所）；Télécom Paris（巴黎电信学院）；Institut Polytechnique de Paris（巴黎理工学院）；Prague University of Economics and Business（布拉格经济大学）
在这一章中，我们将讨论规则挖掘的问题，从基本的背景信息开始，包括规则质量的度量。然后，我们探讨各种规则挖掘方法，分为三组：归纳逻辑程序设计，路径采样和泛化，线性规划。在此之后，我们深入研究了神经符号方法，涵盖了深度学习与规则的集成，规则学习嵌入的使用以及规则学习中大语言模型的应用等主题。
2024-08-11 cs.AI
Neurosymbolic Clinical Trial Matching via LLM-Driven Abduction and Logical Verification
University of Leicester（莱斯特大学）；University of Edinburgh（爱丁堡大学）；University of Sheffield（谢菲尔德大学）
提出一种结合大语言模型与逻辑验证的神经符号框架αNeSy-CTM，通过溯因推理处理噪声和不完整临床文本，在临床试验匹配中相对零样本基线提升30%准确率。
2026-06-23 cs.AI
Neurosymbolic Decision Trees
Örebro University（厄勒布鲁大学）；KU Leuven（鲁汶大学）
本文提出神经符号决策树（NDTs）及结构学习算法 NeuID3，将决策树归纳与神经概率逻辑结合，以支持符号与亚符号数据并利用背景知识，实验表明其优于纯数据驱动的神经网络学习方法。
2025-03-11 cs.AI cs.LG cs.LO
Scallop: A Language for Neurosymbolic Programming
University of Pennsylvania（宾夕法尼亚大学）
本文提出神经符号编程语言 Scallop，通过关系符号表示、支持递归聚合与否定的 Datalog 逻辑编程以及基于溯源半环的可微推理，在八个应用中实现了与最先进模型相当或更优的准确率，并具有更好的效率、可解释性和泛化能力。
2023-04-10 cs.AI cs.LG cs.PL
Differentiable Logic Programming to Mitigate Reasoning Shortcuts in Neurosymbolic Systems
研究神经符号系统易出现的推理捷径问题，提出基于矩阵的可微逻辑编程方法，通过统一编码规则和约束、连接模糊逻辑t-范数等减轻两种捷径类型，实验表明该方法能显著减少捷径，架构选择对减轻捷径起关键作用。
2026-07-24 cs.AI cs.LO
T-ILR: a Neurosymbolic Integration for LTLf
Fondazione Bruno Kessler（布鲁诺·科塞勒基金会）；Free University of Bozen-Bolzano（博兹纳-博尔扎诺自由大学）；University of Bozen-Bolzano（博兹纳-博尔扎诺大学）
本文提出T-ILR框架，将LTLf时序逻辑规范直接融入深度学习架构，提升序列任务的准确性和效率。
2025-08-21 cs.AI
A Comparative Study of Neurosymbolic AI Approaches to Interpretable Logical Reasoning
Raffles Institution（拉夫斯学院）
本研究比较了神经符号AI中整合与混合两种方法，发现混合方法（如LLM-SS）在通用逻辑推理上更具可解释性和优势，并提出了一个模块化、模型无关的通用框架。
2025-08-05 cs.AI cs.CL cs.LG
From Statistical Relational to Neurosymbolic Artificial Intelligence: a Survey
KU Leuven（鲁汶大学）；Delft University of Technology（代尔夫特理工大学）；Örebro University（厄勒布鲁大学）
本综述探讨了神经符号与统计关系人工智能在学习与推理整合上的异同，提出七个共同维度来刻画和对比不同系统，为理解学习与推理的整合提供了基础概念。
2024-01-02 cs.AI
Neurosymbolic Framework for Concept-Driven Logical Reasoning in Skeleton-Based Human Action Recognition
Department of ECSE, Faculty of Engineering, Monash University, Australia（莫纳什大学工程学院电子与计算机工程系，澳大利亚）；AIM for Health Lab, Faculty of Information Technology, Monash University, Australia（莫纳什大学信息科技学院健康人工智能实验室，澳大利亚）；Department of DSAI, Faculty of Information Technology, Monash University, Australia（莫纳什大学信息科技学院数据科学与人工智能系，澳大利亚）
本文提出一种神经符号框架，将骨架动作识别转化为概念驱动的一阶逻辑推理，通过结合表征学习与符号推理，提升动作识别的可解释性。
2026-05-08 cs.AI cs.CV
Improving Neural-based Classification with Logical Background Knowledge
IRT SystemX；CentraleSupélec（中央高等电力学院）
本文提出推理时语义条件约束这一神经符号技术，在不影响训练的前提下约束推理过程，并通过多尺度实验证明其能以更少资源构建更准确且语义一致的神经分类系统。
2024-02-20 cs.AI cs.LG cs.SC
Parallel Neurosymbolic Integration with Concordia
University of Edinburgh（爱丁堡大学）；Mintis AI（明蒂斯人工智能公司）；Samsung AI（三星人工智能）
针对现有并行神经符号架构支持逻辑理论形式受限、依赖逻辑与深度网络独立假设的问题，提出通用框架Concordia，支持多种概率理论及两类训练模式，在多类任务上提升了最优准确率。
2023-06-14 cs.AI cs.CL
Reasoning in Neurosymbolic AI
School of Information Technology, Deakin University（信息科技学院，德堪大学）；Instituto de Computação, Universidade Federal do Amazonas（计算学院，亚马逊联邦大学）
本章介绍一个基于能量的神经符号AI系统，可对命题逻辑进行形式化推理，结合数据与知识学习，以应对LLMs在数据效率、公平性和安全性上的挑战，并促进推理与学习的整合。
2025-05-22 cs.AI cs.LO
Relational Neurosymbolic Markov Models
KU Leuven（鲁汶大学）；Örebro University（厄勒布鲁大学）
针对深度序列模型无法保证约束满足及神经符号方法在序列问题上的指数扩展问题，提出关系神经符号马尔可夫模型，结合近似贝叶斯推理与自动推理，实现可扩展且可证明满足逻辑约束的端到端可微序列建模。
2024-12-17 cs.AI cs.LG
ProbLog4Fairness: A Neurosymbolic Approach to Modeling and Mitigating Bias
针对公平性定义兼容难、偏差假设整合框架缺乏的问题，提出用ProbLog概率逻辑程序形式化偏差假设，结合神经符号扩展整合进训练，在合成与真实数据集上缓解偏差，优于固定偏差类型的基线方法。
2025-11-12 cs.AI cs.LG
NeuroNL2LTL: A Neurosymbolic Framework for Natural Language Translation of Linear Temporal Logic
Baylor University（贝勒大学）
提出NeuroNL2LTL神经符号框架，通过验证器在环训练和最小编辑修复机制，实现自然语言到线性时序逻辑的高可靠性翻译，在20万+需求上达到86%的可满足性输出。
2026-05-20 cs.AI cs.LO
Towards a Neurosymbolic Reasoning System Grounded in Schematic Representations
CRIL CNRS & Artois University（法国国家科学研究中心与阿图瓦大学计算机科学研究实验室）
针对大语言模型逻辑推理易出错、缺乏稳固心理表征的问题，提出基于意象图式的神经符号系统Embodied-LM，用回答集编程的声明式空间推理实现认知结构操作化，经逻辑演绎评估验证了其推理有效性与可解释性，为复杂动态表征研究奠基。
2025-09-03 cs.AI cs.CL
Neurosymbolic Deep Learning Semantics
本文提出一个基于逻辑的神经符号框架，为深度学习提供语义编码，明确神经网络与逻辑的映射，并探讨其在神经编码和知识提取中的应用及实践困难。
2025-11-04 cs.AI
Rule-Based Languages for Neurosymbolic AI
ENSIIE（国立信息与统计工程学院）；SAMOVAR（SAMOVAR实验室）；Télécom SudParis（南巴黎电信学院）；Inria（法国国家信息与自动化研究所）；IRIF（巴黎计算机科学基础研究所）；Huawei Labs（华为实验室）
本文综述了神经符号AI中基于规则的语言（Datalog、回答集、概率逻辑程序），从语义、表达力、神经集成和评估机制四方面比较，并提供了应用场景决策矩阵。
2026-10-07 cs.AI cs.LO
LINC: A Neurosymbolic Approach for Logical Reasoning by Combining Language Models with First-Order Logic Provers
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；MIT BCS（麻省理工学院脑与认知科学系）
提出神经符号方法LINC，利用LLM将自然语言翻译为一阶逻辑表达式并交由外部定理证明器执行推理，在FOLIO和ProofWriter上显著提升了逻辑推理性能。
2024-02-14 cs.AI cs.CL
A-NeSI: A Scalable Approximate Method for Probabilistic Neurosymbolic Inference
University of Edinburgh（爱丁堡大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出A-NeSI框架，用神经网络实现概率神经符号推理的多项式时间近似推理，在保证可解释性和逻辑约束满足的同时，首次端到端解决了三个指数组合扩展的神经符号任务且无性能损失。
2023-09-22 cs.AI cs.LG cs.LO
NeSyA: Neurosymbolic Automata
Department of Computer Science and Leuven.AI, KU Leuven, Belgium（1 计算机科学系和 Leuven.AI，KU Leuven，比利时）；Centre for Applied Autonomous Sensor Systems (AASS), Örebro University, Sweden（3 应用自主传感器系统中心（AASS），Örebro大学，瑞典）
针对现有神经符号AI缺乏时序问题适配系统的问题，提出结合符号自动机与神经感知的端到端可微混合模型NeSyA，在合成基准和真实事件识别任务中分别展现出性能与泛化性优势。
2025-05-20 cs.AI cs.LG
Logic Tensor Networks
Sony Computer Science Laboratories Inc（索尼计算机科学实验室公司）；Sony AI Inc（索尼人工智能公司）；City, University of London（伦敦大学城市学院）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
人工智能代理需要从周围环境中学习，并对所学到的知识进行推理，以便做出决策。虽然从数据中学习的最新技术通常使用子符号分布式表示，但推理通常在更高的抽象级别上使用一阶逻辑语言进行知识表示是有用的。因此，将符号AI和神经计算结合到神经符号系统中的尝试正在增加。在本文中，我们提出了逻辑张量网络（LTN），这是一种神经符号形式主义和计算模型，通过引入称为Real Logic的多值、端到端可微分一阶逻辑作为深度学习的表示语言来支持学习和推理。我们表明，LTN提供了一个统一的语言规范和计算的几个AI任务，如数据聚类，多标签分类，关系学习，查询回答，半监督学习，回归和嵌入学习。我们使用TensorFlow 2通过一些简单的示例来实现和说明上述每个任务。关键词：神经符号人工智能，深度学习和推理，多值逻辑。
2021-12-23 cs.AI cs.LG
The Prioritized Inductive Logic Programs
归纳逻辑程序的极限行为还没有被探索过，但是当考虑通常持续运行的增量或在线归纳学习算法时，应该考虑程序的这种行为。最后通过一个实例说明，如果不考虑极限行为，某些归纳学习算法从长远来看可能是不正确的。一个归纳逻辑程序是收敛的，如果给定一个递增的例子集序列，该程序产生一个具有集合论极限的Horn逻辑程序的相应序列，并且如果所产生的Horn逻辑程序的序列的极限相对于例子集的序列的极限是正确的，则该程序是极限正确的。结果表明，GOLEM系统不是极限正确的。最后，一个限制正确的归纳逻辑系统，称为优先GOLEM系统，提出了作为一个解决方案。
2002-06-10 cs.AI cs.LG
Neurosymbolic AI: The 3rd Wave
City, University of London（伦敦大学城市学院）；Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）
当前人工智能（AI）和机器学习（ML）的进步在研究社区和行业中取得了前所未有的影响。然而，有影响力的思想家提出了对人工智能的信任，安全性，可解释性和问责制的担忧。许多人已经认识到需要将有根据的知识表示和推理与深度学习相结合，并需要合理的可解释性。多年来，神经符号计算一直是一个活跃的研究领域，寻求通过网络模型的符号表示将神经网络中的鲁棒学习与推理和可解释性结合在一起。在本文中，我们将神经符号AI的最新和早期研究成果与识别下一波AI系统的关键成分的目标联系起来。我们专注于研究，以原则性的方式整合基于神经网络的学习与符号知识表示和逻辑推理。20年的神经符号计算所提供的见解，为人工智能在信任、安全、可解释性和问责制方面日益突出的作用提供了新的视角。我们还从神经符号系统的角度确定了未来十年人工智能研究的方向和挑战。
2020-12-16 cs.AI cs.LG
On the Independence Assumption in Neurosymbolic Learning
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
本文批判神经符号学习中符号概率条件独立的假设，证明其导致过度自信、难以优化且无法量化不确定性，为设计更具表达力的神经符号概率模型提供理论基础。
2024-06-07 cs.AI cs.LG stat.ML
dPASP: A Comprehensive Differentiable Probabilistic Answer Set Programming Environment For Neurosymbolic Learning and Reasoning
Universidade de São Paulo（圣保罗大学）
本文提出 dPASP 框架，通过整合神经谓词、逻辑约束与区间值概率选择，在多种概率逻辑程序语义下实现可微神经符号推理与端到端学习，并提供易用的实现软件包。
2023-08-05 cs.AI cs.LG cs.LO
Independence Is Not an Issue in Neurosymbolic AI
Örebro University（厄勒布鲁大学）；AASS（AASS（自动系统研究中心））
针对神经符号AI中条件独立随机变量被认为与确定性偏差相关的观点，研究提供证据反驳该结论，指出确定性偏差实为不当应用神经符号AI的产物。
2025-04-16 cs.AI
Parallel Constraint-Driven Inductive Logic Programming
University of Oxford（牛津大学）；University of Cambridge（剑桥大学）
多核机器无处不在。然而，大多数归纳逻辑程序设计（ILP）方法仅使用单个核，这严重限制了它们的可扩展性。为了解决这个问题，我们引入了基于约束驱动的ILP并行技术，其目标是积累约束来限制假设空间。我们在两个领域（程序合成和归纳一般的游戏）的实验表明，（一）并行化可以大大减少学习时间，和（ii）工人的沟通（即共享约束）是很重要的良好的性能。
2021-09-15 cs.AI cs.LG
Inductive logic programming at 30: a new introduction
University of Oxford（牛津大学）；TU Delft（代尔夫特理工大学）
归纳逻辑程序设计（ILP）是机器学习的一种形式。ILP的目标是归纳出一个假设（一组逻辑规则）来概括训练样本。随着ILP的30岁生日，我们为该领域提供了一个新的介绍。我们介绍了必要的逻辑符号和主要的学习设置;描述了ILP系统的构建模块;比较了几个系统的几个维度;描述了四个系统（Aleph，TILDE，ASPAL和Metagol）;突出重点应用领域;最后，总结了当前的限制和未来研究的方向。
2022-03-22 cs.AI cs.LG
Logical Boltzmann Machines
University of Tasmania（塔斯马尼亚大学）；City, University of London（伦敦大学城市学院）
在连接主义系统中表示符号知识的想法是一个长期的努力，最近引起了很多关注，其目标是将机器学习和可扩展的声音推理相结合。早期的研究表明，命题逻辑和对称神经网络之间存在对应关系，但对称神经网络不能很好地随变量的数量而扩展，而且其训练机制效率低下。在本文中，我们介绍了逻辑玻尔兹曼机（LBM），神经符号系统，可以表示任何命题逻辑公式的严格析取范式。我们证明了LBM的能量最小化和逻辑可满足性之间的等价性，从而表明LBM是能够合理推理的。我们评估推理经验表明，LBM是能够找到所有令人满意的分配一类逻辑公式的搜索不到0.75%的可能（约10亿）的分配。我们将LBM中的学习与符号归纳逻辑程序设计系统、最先进的神经符号系统和纯粹基于神经网络的系统进行比较，在七个数据集中的五个数据集中实现了更好的学习性能。
2021-12-10 cs.AI cs.LG cs.LO
Neurosymbolic Repo-level Code Localization
Nanyang Technological University（南洋理工大学）
本文提出KA-LCL问题，引入KA-LogicQuery基准测试，展示现有方法在无命名提示下的性能下降，提出LogicLoc框架结合LLM和Datalog实现精确代码定位。
2026-04-20 cs.AI cs.SE
NeSyCat Torch: A Differentiable Tensor Implementation of Categorical Semantics for Neurosymbolic Learning
University of Osnabrück（奥斯纳布吕克大学）
提出NeSyCat Torch框架，通过强单子和真值聚合结构统一神经符号语义，利用惰性对数张量单子实现可微训练，在MNIST加法任务上优于LTN和DeepProbLog。
2026-06-18 cs.AI cs.LG cs.LO
Symmetry breaking for inductive logic programming
本研究提出了一种在归纳逻辑编程中打破对称性的方法，通过答案集编程实现，显著提升了在视觉推理和游戏玩法等领域的求解效率。
2026-01-23 cs.AI cs.LG
Inductive logic programming at 30
University of Oxford（牛津大学）；KU Leuven（鲁汶大学）；Imperial College London（伦敦帝国理工学院）
归纳逻辑程序设计（ILP）是一种基于逻辑的机器学习。目标是归纳出一个假设（一个逻辑程序），概括给定的训练样本。在ILP 30岁之际，我们回顾了过去十年的研究。我们专注于（i）新的元级搜索方法，（ii）学习递归程序的技术，（iii）谓词发明的新方法，以及（iv）使用不同的技术。最后，我们讨论了目前的ILP的局限性和未来的研究方向。
2021-09-22 cs.AI cs.LG
Neurosymbolic Association Rule Mining from Tabular Data
University of Amsterdam（阿姆斯特丹大学）
Aerial+通过神经符号方法从表格数据中挖掘高效关联规则，提升模型解释性和执行效率。
2025-12-30 cs.AI cs.LG
Inductive Logic Boosting
Nanjing University（南京大学）
近年来，人们对概率逻辑编程（PLP）和统计关系学习（SRL）模型的兴趣激增，这些模型将逻辑与概率相结合。这些系统的结构学习是归纳逻辑程序设计（ILP）和统计学习（SL）的交叉领域。然而，ILP不能处理概率，SL不能建模关系假设。集成这两个机器学习框架的最大挑战是如何仅从对接地逻辑原子的观察来估计逻辑子句的概率。现有的联合概率建模方法将子句表示为图模型，文字表示为图模型中的顶点，这种模型仍然过于复杂，只能用伪似然来近似。我们提出了归纳逻辑提升框架，将关系数据集转换为基于特征的数据集，通过提升Problog规则树来归纳逻辑规则，放松伪似然的独立性约束。在基准数据集上的实验结果表明，ILP学习规则的AUC-PR和AUC-ROC值高于当前最先进的SRL方法。
2014-02-25 cs.AI cs.LG
A neurosymbolic Approach with Epistemic Deep Learning for Hierarchical Image Classification
Institute for AI, Data Analysis and Systems (AIDAS) School of Engineering, Computing and Mathematics, Oxford Brookes University, UK（人工智能、数据分析和系统研究所（AIDAS）工程、计算与数学学院，英国奥克斯福德布鲁克斯大学）
本文提出一种统一的神经符号和认知建模框架，通过融合Swin Transformer、焦点集推理和可微模糊逻辑，提升分层图像分类的准确性和逻辑一致性。
2026-05-11 cs.AI cs.CV stat.ML
Turning 30: New Ideas in Inductive Logic Programming
University of Oxford（牛津大学）；KU Leuven（鲁汶大学）；Imperial College London（帝国理工学院）
对最先进的机器学习的常见批评包括泛化能力差、缺乏可解释性以及需要大量训练数据。我们调查最近的工作在归纳逻辑程序设计（ILP），一种形式的机器学习，诱导逻辑程序从数据，这表明在解决这些限制的承诺。我们专注于学习递归程序，概括从几个例子，从手工制作的背景知识，\emph{learning}背景知识的转变，并使用不同的技术，特别是答案集编程和神经网络的新方法。随着ILP接近30，我们还讨论了未来的研究方向。
2020-04-22 cs.AI cs.LG
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
Inductive Logical Query Answering in Knowledge Graphs
Mila（米拉研究所）；McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）；Stanford University（斯坦福大学）；HEC Montréal（蒙特利尔高等商学院）
制定和回答逻辑查询是知识图谱（KG）的标准通信接口。神经方法通过学习实体、关系和查询的表示，减轻了现实世界KG的不完整性，在链接预测和复杂查询回答任务中取得了令人印象深刻的结果。尽管如此，大多数现有的查询应答方法依赖于转换实体嵌入，并且在不重新训练实体嵌入的情况下不能推广到包含新实体的KG。在这项工作中，我们研究了归纳查询应答任务，其中推理是在一个包含新实体的图上进行的，查询既可以看到，也可以看到实体。为此，我们设计了两种机制，利用由图神经网络（GNNs）驱动的归纳节点和关系结构表示。实验表明，归纳模型能够在推理时对看不见的节点进行逻辑推理，并将其推广到比训练图大500%的图。探索效率-有效性权衡，我们发现归纳关系结构表示方法通常具有更高的性能，而归纳节点表示方法能够在仅推理的情况下回答复杂的查询，而无需对查询进行任何训练，并且可以扩展到数百万节点的图形。代码可在https://github.com/DeepGraphLearning/InductiveQE上获得。
2022-11-08 cs.AI cs.LG
Building Rules on Top of Ontologies for the Semantic Web with Inductive Logic Programming
Università degli Studi di Bari（巴里大学）
在本体之上构建规则是语义Web逻辑层的最终目标。为此，目前正在讨论一种用于这一层的特别标记语言。它的目的是遵循传统的混合知识表示和推理系统，如$\mathcal{AL}$ -日志，集成了描述逻辑$\mathcal{ALC}$和无函数霍恩子句语言\textsc{Datalog}。在本文中，我们考虑的问题，这些规则的语义Web的自动化收购。我们提出了一个通用的规则归纳框架，采用归纳逻辑程序设计的方法装置，并依赖于$\mathcal{AL}$ -log的表达和演绎能力。无论归纳的范围（描述与预测）如何，该框架都是有效的。然而，为了说明的目的，我们还讨论了一个实例化的框架，其目的是描述和原来是有用的本体精化。关键词：归纳逻辑程序设计，混合知识表示和推理系统，本体，语义网。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2007-11-12 cs.AI cs.LG
DPNL: A DPLL-based Algorithm for Probabilistic Neurosymbolic Learning
LIG（格勒诺布尔信息学实验室）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔国立理工学院）
本文提出DPNL及其近似版本ApproxDPNL，通过预言机引导的惰性搜索避免完整来源具体化，实现高效概率神经符号学习，并显著扩展可处理问题范围。
2026-10-06 cs.AI
Neurosymbolic AI for Reasoning over Knowledge Graphs: A Survey
本文综述知识图谱上的神经符号推理方法，提出三类分类体系并系统比较现有方案，同时总结局限与未来方向。
2024-05-16 cs.AI cs.LO stat.ML
NeSyCat: A Monad-Based Categorical Semantics of the Neurosymbolic ULLER Framework
University of Osnabrück（奥斯纳布吕克大学）
NeSyCat基于单子构建神经符号ULLER框架的范畴语义，实现三种不同语义的统一，并支持模块化添加新语义及系统翻译。
2026-04-27 cs.AI cs.LO math.CT
Neurosymbolic LoRA: Why and When to Tune Weights vs. Rewrite Prompts
神经符号LoRA结合数值和符号更新，提升语言模型微调的适应性和性能。
2026-01-19 cs.AI cs.LG cs.SC
Ontology-Mediated Neurosymbolic Constraint Acquisition from Multiple Stakeholders
Siemens AG Österreich（西门子奥地利股份公司）
本文提出一种本体介导的神经符号架构，利用OWL本体统一LLM软偏好与硬件硬约束，通过描述逻辑检测冲突并生成解释以交互式重协商，适用于多利益相关方约束获取场景。
2026-09-25 cs.AI
Sound and Complete Neurosymbolic Reasoning with LLM-Grounded Interpretations
University of Amsterdam（阿姆斯特丹大学）；University of Southern California（南加州大学）；Rensselaer Polytechnic Institute（拉特格斯理工学院）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
提出将LLM直接集成到次协调逻辑的语义解释函数中，实现可靠且完备的神经常识推理，在GPQA和SimpleQA基准上宏F1提升约6个百分点，并成功检测药物安全知识库中的矛盾。
2026-06-07 cs.AI cs.CL cs.LO
Neurosymbolic Learning of Interpretable World Models
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Free University of Bozen-Bolzano（博尔扎诺自由大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
该研究提出概念基础世界模型（CGWMs）这一神经符号世界模型，通过时间逻辑知识学习可解释概念表示，以可微推理规划，在两个游戏环境中相较基线方法实现更准确的概念基础与更鲁棒的规划。
2026-10-14 cs.AI
Answer Set Programming Energised! End-to-End Neurosymbolic Reasoning and Learning with ASP and Energy Based Models
Constructor University Bremen, Bremen, Germany（Constructor大学不莱梅）；Örebro University, Örebro, Sweden（Örebro大学）；CoDesign Lab > Cognitive Vision（CoDesign实验室）
该研究提出基于Answer Set编程与能量模型集成的神经符号推理学习方法，通过显式语义支持联合优化，纳入背景知识等，还提供通用模型和平台用于动态领域训练，经实际实现及在MNIST、Clevr、MOT上的测试评估其效果。
2026-07-10 cs.AI
Time to Reason: Scalable Neurosymbolic Learning for LTLf via Fuzzy Semantics
Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）；Free University of Bozen-Bolzano（波尔扎诺自由大学）；Università di Bologna（博洛尼亚大学）
本文针对现有时态神经符号框架的可扩展性问题，提出基于模糊语义的LTLf神经符号框架DiffLTLf，其性能与先进概率方法相当且可扩展性显著提升。
2026-08-18 cs.AI
A homotopy-type-theoretic generalization of neurosymbolic inference
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；KAUST Center of Excellence for Smart Health (KCSH)（KAUST智能健康卓越中心）；KAUST Center of Excellence for Generative AI（KAUST生成式人工智能卓越中心）
本文用同伦类型论替换集合，将神经符号系统的信念加权和泛化为信念加权同伦基数，保留对称性和证明多样性，并证明经典函数是特例，从而避免推理捷径。
2026-09-01 cs.AI cs.LO
MARS: A neurosymbolic approach for interpretable drug discovery
University of Edinburgh（爱丁堡大学）；Enveda Therapeutics；Cancer Research UK Scotland Institute（英国癌症研究中心苏格兰研究所）
本文提出MARS，一种结合逻辑规则与神经网络的神经符号方法，用于药物作用机制解构，通过识别并缓解推理捷径提升药物发现的可解释性与可靠性。
2026-06-28 cs.AI cs.LG cs.LO
Distilling Answer-Set Programming Rules from LLMs for Neurosymbolic Visual Question Answering
Vienna University of Technology ( TU Wien )（维也纳技术大学）；Jönköping University（约克灵厄普大学）
提出从大语言模型中蒸馏答案集编程规则的方法，以可解释的方式扩展视觉问答系统的推理能力，仅需少量示例即可生成正确规则。
2026-06-29 cs.AI
