本文探讨了机器如何利用具象符号进行推理，提出了一种结合概率推理与谓词符号推理的新方法。研究表明，通过线性大小数据的联合分布，可以有效推广谓词逻辑的结果，并重新审视相关问题。

本研究对神经符号人工智能中的概率推理系统进行了形式化验证，提出了一种放松的近似验证方法，以确保其在关键领域的安全应用，并在自主驾驶数据集上验证了有效性。

本研究提出了一种从大型语言模型中提取常识的方法，以支持缺乏特定数据的概率推理。通过生成相关变量集合并施加时刻约束，优化联合分布，实验结果表明该框架在真实数据集上表现优异且对噪声具有鲁棒性。

本研究通过将整数随机变量的线性算术转化为张量操作，并结合快速傅里叶变换，解决了神经符号技术中的概率推理复杂性和梯度构建困难问题，提升了推理和学习效率。

该论文提出了一个基于元学习近似概率推理的学习框架VERSA，使用摊销网络构造了一个不同于传统优化的前向传递框架。该方法在评估中表现出色，能够处理任意数量的FEL-SHOT和分类任务。

本研究介绍了一种名为VAPOR的深度强化学习方法，通过马尔科夫决策过程的图形模型，以概率推理的方式对状态-行为对的访问概率进行研究。该方法采用贝叶斯方法处理状态-行为优化的后验概率，并通过变分贝叶斯近似方法得到一个可行的凸优化问题。实验结果显示，VAPOR在性能上具有优势。

该研究提出了一种新的期望最大化方法，从概率推理的角度解决了安全增强学习问题，实现了更稳定和更高效的学习表现。在连续机器人任务的实验中，取得了显著的约束满足性能和样本效率提升。

该研究探讨了ProbLog与概率推理相结合的一种形式，即概率抽象论证。研究表明ProbLog是概率抽象论证的一种实例，为ProbLog提供了替代语义和新的论证语义，同时为ProbLog的输出提供了新的形式的论证解释。