任意 t - 范数上的模糊 Datalog$^\exists$

本研究建立了模型理论中存在规则语言的模型论特性，包括嵌入依赖项、元组生成依赖项和线性依赖项，并确定其复杂度限制。

研究了如何将符号知识纳入神经网络，提出了利用亚微分的 t - 范数放松逻辑表达式的方法，并提供了理论和实证标准。

神经符号 AI 结合深度学习与符号 AI，旨在减少训练数据量，提高模型的可解释性和可解性。

介绍了 Datalog 的扩展形式，包括 Disjunctive Datalog、Datalogex 和 Datalogexor，并解决了语言可决性问题。

提出了一个框架用于回答不完整知识图谱上的合取查询，通过无限树状查询的系列来近似循环查询。

利用时态推理数据库探索过去事件对现有概率的影响，并通过神经概率模型提高预测准确率。

提出了 Difflog 技术，将逻辑规则从离散变量扩展到连续变量，实现学习复杂程序的显著提高。

定义了一种新的语言，将 Warded Datalog+- 扩展到算术，并证明其 P 完备性，为现代 AI 系统中的高效推理算法奠定理论基础。

探讨了存在规则作为本体规范的形式化方法，研究了传递性与可判定类的存在规则的组合。