本研究提出了一种新方法AGAIN（基于因子图的可解释神经网络），旨在解决现有可解释神经网络在未知扰动下无法生成可理解解释的问题。AGAIN通过整合逻辑规则，识别和修正解释中的逻辑错误，显著提高了可解释性和有效性。实验结果表明，AGAIN在多个数据集上优于现有方法。

本文提出了一种结合深度学习与逻辑规则的框架，提升了卷积神经网络（CNN）和递归神经网络（RNN）在情感分析和命名实体识别中的性能。通过多种建模方法，显著降低了推理错误率，并提出了可解释的神经逻辑网络，增强了模型的可理解性和应用性。

本文介绍了与一阶逻辑（FOL）和本体推理相关的工具和方法，包括 Gavel、Shape Expressions Language 2.0、FOLIO 数据集和 LogicLLaMA 算法。这些研究旨在提高自然语言推理的有效性和准确性，并探讨自然语言与逻辑规则之间的转换。

本文提出了一种神经符号方法，将图像处理为对象，并学习关系和逻辑规则。通过可微分层，确定符号关系和规则。模型评估结果表明，该方法优于其他符号学习者和深度关系神经网络架构。

该文介绍了一种通过SATNet学习可解释逻辑规则的方法，实现了逻辑推理和深度学习的交互。该方法通过可区分性学习生成可解释和可验证的逻辑规则，并引入验证技术进行验证。