本研究探讨了知识驱动的序列分类，特别是在知识随时间变化的情况下。提出了一种新的神经符号框架，并与传统神经网络架构进行了比较，揭示了该领域的挑战及神经符号方法的不足，为未来研究提供了参考。

本文探讨了弱监督学习在多实例部分标签学习中的可解释性和可靠性问题。通过引入归纳逻辑编程，提出了一种神经符号框架，增强了模型的结构性和学习指导，提高了模型的稳健性和透明度，确保神经网络的预测符合领域知识，适用于高风险应用。

本研究探讨了大语言模型向大代码模型扩展时的信任度和可解释性问题，提出了一种结合深度学习与传统符号方法的神经符号框架，以识别缺陷代码组件。

本文研究了对话式问答中的政策合规检测（PCD），提出了一种新的神经符号框架——逻辑分解政策合规（LDPC）。该方法通过少量示例和新提示技术，减少了对大量标注数据的需求，提升了推理的透明度和可解释性，并在ShARC基准上取得了优异表现。

本研究提出了一种新颖的神经符号框架，以提升大型语言模型在空间推理中的能力。实验结果表明，该方法在StepGame和SparQA数据集上显著提高了准确率，显示出良好的应用潜力。

本文介绍了一种神经符号框架，用于在线故障识别和恢复。实验结果表明，该框架在故障检测和恢复方面优于传统方法，通过结合符号推理和强化学习，提供了有效的工具操作解决方案，并在机器人任务中显著提高了成功率。

本文介绍了一种利用神经符号框架改进运动轨迹分类任务的方法。实验证明，该方法在训练时所有类别都出现的情况下，准确率提高了1.7％；在40％的类别被省略的情况下，零样本和几样本情况下准确率分别提高了5.2％和23.9％，无需重新训练基础模型。