本次会议讨论了Project Babylon中的代码反射，展示了如何将Java代码符号化为Java代码模型，涵盖了基本方法、主要优点及潜在局限性。请查看JVMLS 2025播放列表。

本研究针对传统可解释人工智能(XAI)方法在提供解释方面存在的单一抽象层次局限，提出了符号化可解释人工智能框架。该框架通过输入特征间的逻辑关系表达符号化查询，揭示模型预测背后的抽象推理过程。研究结果展示了该框架在自然语言处理、视觉和量子化学等领域的有效性，有助于提升用户对模型决策过程的理解。

本论文研究了视觉推理的两个阶段：符号化和逻辑推理。实验发现，分离的编码器和共享的推理器在跨领域推理中具有更好的泛化能力。论文还探讨了符号化阶段的深度和推理器的架构。实验结果表明，仅共享推理器的性能优于其他设计，并且随着训练数据和任务的增加，推理器在跨领域任务上的表现会更好。最后，论文验证了使用多个领域数据训练推理器可以提高其泛化能力。

本文介绍了自主驾驶的两种算法：深度学习和自适应神经符号网络。研究结合目标识别与跟踪技术，利用雷达传感器提高物体识别性能，并提出符号化同时定位与建图的新方法，增强环境分类能力。通过神经符号集成系统，改善了深度学习的推理任务，提升了模型在人体活动识别和运动预测中的准确性和性能。

元认知是关于代理自身内部过程的推理概念，在心理发展学领域首次引入。本文研究将元认知应用于人工智能的概念，提出了一个名为 TRAP 的元认知人工智能理解框架，包括透明度、推理、适应性和感知。我们逐个讨论了每个方面，并探讨了神经符号人工智能在解决元认知挑战中的应用。

本文提出了多种推理框架，如Faithful CoT和LogiCoT，以提升大型语言模型的推理能力。研究表明，Chain-of-Thought提示显著改善模型在复杂任务中的表现，尤其在数学和推理方面。此外，结合视觉信息的多模态-CoT框架在ScienceQA基准测试中超越了人类表现。研究还探讨了知识驱动的方法，以验证和修正模型推理过程，减少错误。

本文介绍了多模态融合技术在自动驾驶中的应用，特别是通过 TransFuser 融合图像和 LiDAR 数据，显著提升了物体识别和路径规划的性能。研究表明，该方法在复杂场景下优于传统融合技术，提高了安全性和导航能力。

该论文提出了一种基于TV-TREES的多模态蕴涵树生成器，用于解决电视剪辑等复杂多模态内容上的问答问题。实验证实了该方法在全视频剪辑上的零样本性能，在黑盒方法上取得了最先进的可解释性和性能的最佳结合。

本研究探讨了小语言模型与prompt-learning的结合在零样本和少样本场景下对零售业中客户-代理商互动的文本分类的潜力。结果显示，T5-base模型在少样本设置下的准确性约为75%。优化的提示可以显著提升模型准确性。研究强调了小语言模型进行prompt-learning的潜力，以及主动少样本抽样和集成策略的好处。

本文总结了深度学习在抽象视觉推理领域的应用研究进展，重点关注了瑞文渐进矩阵（RPM）任务。提供了深度神经模型和学习方法的分析，评估了现有方法的性能，并展示了实际问题如何受益于RPM研究的发现。

该文章介绍了神经符号并发随机博弈（NS-CSG）模型，融合了神经网络和传统符号技术，解决动态车辆停车问题。作者开发了新算法解决非可数状态空间的NS-CSG博弈中的最优策略选择问题，并证明了其收敛性。

使用局部可见的常识模型来训练视觉 - 语言模型以支持图像内部推理。

该论文提出了一种新的提示方法Inferential Exclusion Prompting（IEP），可以更好地模拟人类的复杂思维过程，与其他基于Chain-of-Thought（CoT）的方法相比，在各种任务中持续表现出色。将IEP和CoT结合起来可以进一步提高LLMs在某些任务上的性能。此外，该论文还介绍了Mental-Ability Reasoning Benchmark（MARB）作为评估人类逻辑推理能力的新方法。

##0和1与逻辑——思维符号化表达与逻辑运算