本研究提出了一种神经符号方法，以提升大型语言模型在数学证明生成中的逻辑推理能力。通过检索类比问题和使用形式验证器，OpenAI o1模型的证明准确性提高了58%-70%。

本研究提出了一种神经符号方法，旨在解决机器人在复杂环境中与人类互动时的不确定性问题，从而提升社交导航能力，具有重要的应用潜力。

本研究提出了一种神经符号大脑启发的持续学习框架（NeSyBiCL），旨在解决在学习新任务时保留已学知识的问题。实验结果表明，NeSyBiCL有效减少了遗忘现象，性能优于仅依赖神经网络的方法。

本研究提出了一种神经符号对比学习方法，旨在解决预训练语言模型在自然语言推理任务中的文本扰动敏感性和对大数据集的依赖问题，从而显著提升推理能力和逻辑准确性。

本研究提出了一种神经符号方法，解决了抽象与推理语料库（ARC）中的挑战。通过结合变换器和领域特定语言，显著提高了解决方案发现的效率，实验结果表明该方法在ARC评估集上超越现有方法27%。

本研究提出LINA神经符号方法，旨在解决大型语言模型在逻辑推理中的泛化能力不足和信息损失问题。实验结果表明，LINA在五个逻辑推理任务中表现优于传统方法，FOLIO数据集的性能提升达到24.34%。

本研究提出了一种组合一阶逻辑翻译方法，旨在解决大型语言模型在复杂逻辑推理中的语义捕捉不足问题。通过解析自然语言句子并建立逻辑依赖结构，结合验证算法，CLOVER方法在七个逻辑推理基准测试中超越了先前的神经符号方法，取得了新的最先进成果。

本文提出了一种基于逻辑神经网络的强化学习方法，旨在实现快速收敛和可解释的知识表示。通过提取一阶逻辑事实并训练策略，该方法在多个实验环境中表现优越。研究探讨了神经符号强化学习的组件及其挑战，并提出了新的框架DERRL，结合神经网络和符号方法，展示了在不同场景中的应用潜力。