本研究提出了一种新方法，结合归纳推理、逻辑编程和规则学习，显著提升了对“黑暗船舶”的识别效率，搜索区域小于传统方法，为海洋安全提供技术支持。

本研究探讨了扩散模型和自回归模型在有限样本中学习抽象规则的能力。通过GenRAVEN数据集，结果显示扩散模型在无条件生成方面表现优异，但在面板补全上较差；自回归模型在规则一致的面板补全上表现更好，但无条件生成的一致性较差。这揭示了两者在规则学习和推理任务中的互补性与局限性。

本文提出了一种因果规则学习方法，旨在提高对异质性治疗效应的理解。研究表明，该方法在复杂数据环境中表现优越，能够提供更精确的治疗效果估计，尤其在个性化医学和阿片类药物使用障碍的治疗中具有潜力。

本文介绍了IMLI，一种基于MaxSAT的增量学习方法，结合小批量学习和迭代规则学习，实现分类规则的合成。IMLI在准确性、可解释性和可伸缩性之间取得了良好平衡，适用于学习可解释分类器。

该研究探究了如何通过提示、思维链推理和动态上下文学习等策略，引导 GPT-4 等先进语言模型与未知的环境、社会和治理（ESG）评估准则保持一致，展示了语言模型在金融下游任务中的潜力和培训免费解决方案的机会。

这篇文章介绍了一种在归纳逻辑编程中学习大规则的方法。通过连接小规则并使用约束求解器，该方法可以高效地学习到超过100个文字的规则，并在预测准确性方面优于现有方法。

该文介绍了一种能够逐步扩展解释性时间逻辑规则集的框架，通过时间点过程建模和学习框架，规则内容和权重将逐渐优化，直到观察的事件序列的似然性最佳。作者提出了一种神经搜索策略，通过学习生成新规则内容的一系列动作，训练好的策略可以以可控的方式生成新规则。作者在合成和真实的医疗数据集上评估了该方法，取得了有前景的结果。

知识图谱嵌入通过将实体和关系表示为向量空间，用于预测缺失的三元组。提出了一种新的因果增强的知识图谱嵌入框架，能胜过基线模型，实现最先进的知识图谱补全性能。

本文提出了一个逐步扩展解释性时间逻辑规则集的框架，用于解释时间事件发生。通过时间点过程建模和学习框架，优化规则内容和权重，提高事件序列的似然性。算法通过更新规则集权重增加似然性，并搜索和包含新规则。提出了神经搜索策略克服搜索挑战，生成新规则内容。在医疗数据集上评估了该方法，取得了有前景的结果。