本研究提出了一种神经符号方法，旨在提升视频理解系统在事件推理和决策方面的能力。该方法通过将视频查询分解为基本事件并结构化为连贯序列，增强了系统的可解释性和推理能力，推动智能视频代理的发展。

本研究提出了一种神经符号方法$Π$-NeSy，将神经网络的低级感知任务与基于可能性的规则系统的高级推理任务结合，旨在推导输入实例属于目标概念的可能性程度。实验证明该方法在解决MNIST加法和数独问题时优于现有方法。

本研究提出了一种结合知识图谱和分层规划的神经符号方法，以解决大型语言模型在复杂任务中的不足。该方法通过符号验证器确保计划的正确性，并在实验中显示出显著的推理和组合能力提升。

多智能体强化学习在共享资源优化中有潜力，但存在可解释性和样本效率问题。为此，提出事件驱动公式，结合神经符号方法进行决策。开发了概率逻辑神经网络（PLNN），融合逻辑推理与概率图模型，解决不确定性和部分可观察性问题，并在片上系统功率共享中验证。

文章讨论了大语言模型在规划和推理中的局限，指出其无法独立进行规划或自我验证。作者提出LLM-模块化框架，将LLM与外部验证器结合，通过交互提升性能，增强神经符号方法，扩展规划和推理能力。

本文介绍了一种神经符号方法，将图像转化为对象，并学习关系和逻辑规则。通过可微分层，确定符号关系和规则。模型评估结果显示，该方法优于其他符号学习者和深度关系神经网络架构。

大语言模型在规划和推理任务中的作用有混淆。提出了LLM-模块化框架的愿景，将LLM的优势与外部验证器结合。展示了如何利用LLM驱动外部验证器的模型。LLM-模块化框架提供了更好的神经符号方法，扩展了基于模型的规划/推理范围。

研究人员提出了一种用于越野驾驶中运动预测的神经符号方法，通过嵌入保守定律到数据驱动的神经模型中。实验证明该方法准确预测车辆运动，容忍外部干扰，且在准确性和效率方面优于现有方法。该方法展示了长期预测中的数据效率学习和泛化能力。

本文介绍了一种通过KANDY基准框架生成多种学习和推理任务的方法，特别关注符号组合性。实验评估发现，神经模型和纯符号方法在解决任务时存在困难，需要应用先进的神经符号方法。

本文提出了一种神经符号方法，将图像处理为对象，并学习关系和逻辑规则。通过可微分层，确定符号关系和规则。模型评估结果表明，该方法优于其他符号学习者和深度关系神经网络架构。

本文介绍了自动驾驶背景下的视觉意义建模需求和潜力，并提出了一种通用的神经符号方法，用于在线视觉意义建模。该方法整合了最先进的视觉计算技术和深度语义学习，可在混合体系结构下实时感知和控制。在多个基准测试中进行了评估和论证。