本研究提出答案集网络（ASN），旨在解决答案集编程（ASP）在神经符号系统中的高计算成本问题。ASN基于图神经网络，能够高效处理编码任务，并在多个应用中超越传统CPU限制的神经符号系统。此外，研究首次展示了大型语言模型与深度概率逻辑编程结合的可能性。

本研究通过引入统一的神经符号系统和稀疏向量表示，解决了神经网络在组合推广中的不足，显著提升了模型效率和应用范围，同时保留了推广能力，避免了其他技术的缺陷。

本研究提出了一种新型神经符号系统，通过重构医学图像学习视觉原语，提升了深度学习在医学成像中的表现。在组织学影像异常诊断中，该方法的分类准确性优于传统深度学习架构，并提供了更透明的结果。

本研究提出了一种自然框架，解决神经符号系统的端到端学习问题，结合神经网络训练、符号固着和逻辑约束合成，验证了其有效性。

本文介绍了神经符号系统（NeSy）的发展，提出了神经概率逻辑学习（NPLL）和神经符号能量模型（NeSy-EBMs）等新型框架，旨在提升推理能力和模型准确性。这些方法在多个任务中表现优异，促进了神经网络与概率逻辑的结合，推动了实际应用的可能性。