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。
神經符號
深度分析
NeSyCat Torch：以單子框架統一神經符號語意的可微分張量實作
NeSyCatTorch透過單子與聚合結構將經典、模糊與機率神經符號語意統一，並以懶惰對數張量單子支援可微分訓練，實驗顯示在MNIST加法上速度與準確度均優於LTN與DeepProbLog。同時支援與Kolmogorov‑Arnold網路的整合，為未來物理感知機器學習提供新方向。
深度分析
神經符號結合 LTLf 與 DFA：提升離線 Transformer 強化學習的安全與規範遵循
離線強化學習在安全關鍵領域常缺乏即時修正機制，研究提出將LTLf公式編譯成確定性有限自動機，透過可微分滿足信號作為正則化，注入至TrajectoryTransformer與DecisionTransformer等自回歸模型。實驗在ColourBomb網格環境驗證，策略在保留競爭性回報的同時，大幅提升安全與達成目標的約束滿足率，展現神經符號結合於離線RL的可行性。
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
PhyDrawGen：利用 GPT‑4o 與確定性求解器實現高精度物理圖形生成
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
面向 EFO_k 的 NS3：結合神經評分與預算化符號搜尋的可擴展聯合排序
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。