深度分析
CYKNN：將 CYK 演算法直接編碼於神經網路的創新架構
研究以CYK演算法為例，直接將其運算流程注入神經網路，提出CYKNN架構，透過可訓練的矩陣向量乘法實現語法分析。實驗顯示在簡易文法測試中，該模型優於20億參數以上的大型語言模型與經LoRA微調的較小模型。此舉為神經符號結合開啟新方向，預計將影響語法分析與程式語言編譯的研發路線。
深度分析
研究以CYK演算法為例，直接將其運算流程注入神經網路，提出CYKNN架構，透過可訓練的矩陣向量乘法實現語法分析。實驗顯示在簡易文法測試中，該模型優於20億參數以上的大型語言模型與經LoRA微調的較小模型。此舉為神經符號結合開啟新方向，預計將影響語法分析與程式語言編譯的研發路線。
深度分析
研究針對物理圖形自動生成的需求，提出PhyDrawGen神經符號管線，先以大型語言模型抽取類型化場景圖，再由確定性求解器轉換為平面直線圖，最後透過微調視覺語言模型進行迭代校正，於1,449題機械、光學與電磁測試中大幅優於現有擴散模型，顯示物理正確性可透過結構化與符號化方法提升。
深度分析
知識圖譜經常不完整，對多個自由變數的存在性一階查詢（EFO_k）要求對元組進行聯合排序，卻因笛卡兒候選空間指數成長而難以擴展。