本研究提出了一种神经符号方法，旨在提升视频理解系统在事件推理和决策方面的能力。该方法通过将视频查询分解为基本事件并结构化为连贯序列，增强了系统的可解释性和推理能力，推动智能视频代理的发展。

本研究探讨了“神经-符号代码”概念，填补了神经网络与符号推理整合的研究空白，强调其在提升人工智能系统可信度和可解释性方面的重要性。

本研究提出了一种神经符号方法$Π$-NeSy，将神经网络的低级感知任务与基于可能性的规则系统的高级推理任务结合，旨在推导输入实例属于目标概念的可能性程度。实验证明该方法在解决MNIST加法和数独问题时优于现有方法。

本研究提出了一种新方法，解决大型语言模型去学习过程中的可解释性问题。通过引入记忆去除难度指标，优化去学习算法，显著提高了效率和有效性。

本研究提出Lemmanaid工具，结合大型语言模型与符号方法，旨在自动推测有用且新颖的引理。通过在Isabelle证明助手中的评估，展示了神经与符号技术的互补性，推动了计算机辅助理论的发展。

本研究提出了一种神经-符号模仿学习框架，旨在解决现有模仿学习在长时间和多步骤任务中的不足。该框架通过示范学习符号表示，将任务分解为子任务并生成抽象计划，从而提高数据效率和泛化能力。实验结果表明，该方法在模拟机器人环境中显著优于基线，且具有更好的可解释性。

本文探讨神经符号学习对标记数据的过度依赖，提出验证学习（VL）范式，通过无标签验证过程实现优异学习效果，并引入动态组合排序算法以显著降低计算成本。

本研究提出了一种可扩展的概率神经符号验证方法，解决了神经符号人工智能中概率推理系统的形式化验证问题。该方法在复杂性处理上表现出显著的扩展性，并在自主驾驶数据集上有效验证了安全特性。

本研究提出了一种名为“ANSR-DT”的自适应神经符号学习框架，旨在解决数字双胞胎技术中的动态模式学习和适应问题。该框架结合了模式识别、强化学习和符号推理，提升了决策的准确性、可靠性和可解释性，具有在人机协作中的潜在应用价值。

本研究评估了神经符号人工智能领域，发现学习、推理和知识表示是主要研究方向，但可解释性和可信度的研究相对不足。建议通过跨学科研究来填补这些空白，以推动智能系统的发展。

本研究提出了一种新方法SentiQNF，结合量子算法和神经模糊系统，解决经典情感分析算法在数据处理中的不足。测试结果显示，该方法在不同数据集上的准确率分别达到100%和90%，展现出高效性和鲁棒性。

本研究提出了一种新方法，通过溯因反思（ABL-Refl）解决神经符号人工智能（NeSy）在复杂学习中与领域知识不一致的问题。该方法利用领域知识生成反思向量，标记并修正神经网络输出中的错误，显示出在效率和准确性上优于现有方法，具有显著的应用潜力。

本研究提出了一种新颖的归纳模仿学习框架（ABIL），旨在解决现有模仿学习在开放环境中处理长时间任务的不足。ABIL结合数据驱动学习与符号推理，展现出在长时间任务中的数据效率和泛化能力，为符号规划提供了新思路。

本研究提出了一种新任务，通过EEG信号解码3D视觉知觉。构建了EEG-3D数据集和Neuro-3D框架，能够高保真地重建3D物体的形状和颜色，展现出显著的脑区分析潜力。