本文探讨神经符号学习对标记数据的过度依赖，提出验证学习（VL）范式，通过无标签验证过程实现优异学习效果，并引入动态组合排序算法以显著降低计算成本。

该研究提出了DPNL算法，旨在解决神经符号学习中的可扩展性问题，尤其是计算逻辑来源的复杂性。通过引导逻辑推理，DPNL显著提高了模型的准确性和可扩展性。实验结果表明，DPNL和ApproxDPNL方法表现优异。

本文介绍了一种层次化模型，能够从大规模文本库中推广教学知识，实现机器人对未见活动的零样本预测。研究涵盖多模态学习框架、视觉-文本匹配和神经符号学习等方法，展示了在视频动作预测任务中的有效性和高性能，尤其是在开放环境中的应用潜力。

本文探讨了认知科学、人工智能和神经计算的最新研究进展，重点关注神经符号学习和推理的应用与挑战。强调深度学习在理解人类认知中的重要性，并提出对大语言模型的哲学和实证研究需求，以推动人工智能的发展。