本文介绍了神经符号系统（NeSy）的发展，提出了神经概率逻辑学习（NPLL）和神经符号能量模型（NeSy-EBMs）等新型框架，旨在提升推理能力和模型准确性。这些方法在多个任务中表现优异，促进了神经网络与概率逻辑的结合，推动了实际应用的可能性。

本文探讨了通过知识图谱和概率逻辑模型提高机器学习分类器可解释性的方法，提出了结合贝叶斯网络和马尔科夫逻辑网络的神经概率逻辑学习框架，以增强推理能力和准确性。实证评估验证了该方法在语义解析和问题回答中的有效性。