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。

数据驱动的大型语言模型（LLM）通过自下而上的逆向工程语言的策略实现成功，建议在符号设置中应用有效的自下而上策略，以实现符号化、可解释和本体论基础的语言模型。

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。

本文介绍了一种将符号知识与神经网络相结合的方法，用于基于上下文的人体运动预测。该方法在离线数据集上取得了更好的性能，并开发了一个面向机器人的软件包neuROSym，用于在线运行、可视化和评估运动预测模型。评估结果表明，使用神经符号架构能够普遍改善性能。

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。

该文章介绍了一种新型的符号化思维链框架（SymbCoT），通过整合符号表达、逻辑规则和语言模型，提升了逻辑推理能力。在5个标准数据集上进行了评估，结果显示性能显著提升。

该论文介绍了一种使用Transformer模块在多个分辨率上融合相机和LiDAR数据的方法，有效合并局部和全局上下文关系。实验证实该方法在两个具有长途路线和高密度交通的对抗基准中表现出性能优势，显著提高了驾驶和违规得分。

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