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。

该文综述多模态视频检索与问答研究，提出Tree-augmented跨模态编码、蕴含树数据集、无监督多模态逻辑推断、IRGR检索生成框架、视频对话生成、多模态Transformer检索、MERLOT自监督学习、时域金字塔变换器及强化学习RLET等方法，并通过多任务学习在TVQA上取得最优效果。

本文综述了利用提示学习增强大语言模型知识能力的多项研究，涵盖知识图谱增强、零样本问答、知识图谱构建和少样本分类。研究表明，优化提示策略能显著提升模型性能，小语言模型结合提示学习在特定领域也具潜力，提示工程对零样本任务尤为关键。

本文综述深度学习在抽象视觉推理（以瑞文渐进矩阵为主）的研究进展，涵盖深度神经模型、学习方法与基准集，评估性能并展望趋势。内容包括SRAN、RAISE生成解法、代数推理框架（I-RAVEN准确率93.2%）、神经符号概率演绎、潜变量规则抽象及变压器架构，并探讨偏差与泛化问题。

神经符号计算（NeSy）融合神经网络与符号推理，推动数据和知识驱动的AI发展，应用于程序合成、视频图像字幕、问答推理、医学信息学及人体活动识别等领域。最新研究提出神经符号并发随机博弈、语义损失函数、定性轨迹算法等方法，并揭示推理捷径问题，指出可靠性与可解释性挑战。

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