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。

该文综述神经符号学习在自然语言处理中的进展，将符号主义与连接主义结合，通过强化学习实现弱监督推理，应用于表格查询、句法结构、信息抽取和规则推理等任务。研究比较了深度学习模型从RNN到Transformer的演进，指出将逻辑编译进神经网络是实现神经符号目标的最佳方式，并介绍GBPGR、NeuralLog等框架在推理与NLI任务上的高性能表现。

该文综述神经符号与物理信息机器学习在多智能体决策和偏微分方程求解中的进展：提出神经符号并发随机博弈、部分可观测马尔可夫决策过程及随机博弈模型，结合感知机制处理连续状态与不确定性；用SGA算法改善多损失博弈收敛；将DeepONet与PINN结合提升尖锐解与逆问题精度；PINO学习参数化PDE解算器；几何变换扩展PINN至复杂几何并支持形状优化。