该文综述神经网络鲁棒性验证与可验证训练研究，利用全局Lipschitz边界、超属性形式化、SMT求解、混合整数规划及predictor-verifier、MixTrain等框架，实现可证明的全局鲁棒性，提升验证速度与可扩展性，在MNIST、CIFAR-10等基准上取得领先的可验证准确率。

神经符号计算将深度学习与符号推理相结合，旨在提升AI的可解释性、安全性和验证精度。相关研究包括神经网络验证框架、DNN符号执行分析、神经符号学习与回归、数学问题求解及教育应用，以克服深度神经网络的局限，构建可信赖、可解释的AI系统。