深度分析
PACE：結合神經符號與 ASP 的可行性導向反事實解釋框架
研究聚焦於將神經預測模型與符號推理結合，提出PACE框架以產生符合領域限制的反事實解釋。透過ASP規則限制教育、職業與工時的可行變更，實驗顯示在Adult收入資料上可達100%可行性，同時兼顧合理的有效性。此結果顯示神經符號方法在可操作解釋上具潛力。
Answer Set Programming
深度分析
DeFAb：以 Answer Set Programming 評測大型語言模型的可辯駁推理能力
DeFAb是一個以可驗證基準測試基礎模型可辯駁推理能力的資料集，將四十年公共知識庫轉換為具形式化驗證的推理實例，模型需在多種呈現方式下構造保守且最小變更的例外規則。實驗顯示現有大型語言模型在此任務上正確率最高僅約二三成，遠低於符號求解器的百分之百。
深度分析
利用 χ‑irrelevance 抽象化提升 Answer Set Programming 的可解釋性與認知效率
本研究探討在符號式AI中抽象化不相關細節對人類理解與認知負荷的影響。透過移除與聚類兩種抽象手法，利用Answer Set Programming產生簡化說明。實驗顯示聚類提升判斷正確率，移除降低回答時間，證實抽象有助於以人本為中心的符號說明。同時提升使用者信心。