本文探讨了一种结合背景知识的对抗性规范化神经NLI模型，研究表明该模型在对抗性数据集上显著提高了预测准确性，并减少了背景知识的违反。对抗训练机制增强了模型的鲁棒性，改善了自然语言推理任务的表现。

本文提出了一种基于逻辑的学习方法，通过利用给定的背景知识从正负样例中生成基于假设的辩证框架，并将这些框架映射到可能是非分层的失败否定的逻辑程序。该方法通过采用转换规则来处理常规规则的例外，其中包括一些从逻辑程序转换规则改编的规则，例如折叠，以及类似于背诵学习和假设引入的其他规则。我们提出了一个应用这些转换规则学习分层框架的通用策略，并还提出了一种处理非分层情况的变体。通过多个示例，我们展示了此方法的优点。

研究人员提出了一种基于背景知识的约束$k$-中心聚类算法，该算法具有最佳比例2的高效逼近算法。实验证明，该算法在聚类成本、质量和运行时间方面具有优势。

本文提出了一种基于逻辑的学习方法，通过利用给定的背景知识从正负样例中生成基于假设的辩证框架，并将这些框架映射到可能是非分层的失败否定的逻辑程序。该方法通过采用转换规则来处理常规规则的例外，其中包括一些从逻辑程序转换规则改编的规则，例如折叠，以及类似于背诵学习和假设引入的其他规则。我们提出了一个应用这些转换规则学习分层框架的通用策略，并还提出了一种处理非分层情况的变体。通过多个示例，我们展示了此方法的优点。

该文介绍了一种使用文本百科知识进行文本表征的方法，并将其应用于阅读理解任务。该方法通过编码与实体相关的背景句子来实现基于事实推理的任务，并通过预训练进一步提高知识集成能力。在实验中，该方法相对于不整合背景知识的模型取得了显著的性能提升。

本文介绍了解释性人工智能中的一个重要挑战：如何正确解释隐藏神经元的激活。研究提供了一种基于大规模背景知识和概念归纳的符号推理方法，用于自动推断和验证隐藏神经元激活的解释。研究结果表明，可以自动将背景知识的有意义标签附加到卷积神经网络的密集层的个体神经元上。