深度分析
從神經網路到Prolog程式：強化學習策略的可解釋蒸餾方法
深度強化學習策略常被視為黑盒，難以解讀與編輯。本研究提出三階段轉換流程，將 PPO 教師策略萃取為可執行的 Prolog 規則程式，並透過回報最大化編輯使其超越教師。在有限狀態任務中達到精確最優回報，連續控制任務則受維度災難限制，但 CartPole 與 Acrobot 幾乎完全替代神經網路。
Prolog
深度分析
ADVENT：結合 LLM 與 Prolog 的謂詞發明提升 ILP 效能
在關係式概念學習中，缺乏適當的謂詞是ILP的瓶頸。ADVENT結合大型語言模型與Prolog逐步驗證，自動發明具語意的輔助謂詞，並累積於知識池供跨任務重用。實驗顯示成功率由零提升至80%，且知識池可再提升最高31個百分點。此方法顯示LLM能在結構化推理中創新，預期推動跨領域符號學習與可解釋AI新趨勢。
深度分析
PrologMCP：結合 Model Context Protocol 與 Prolog 的大型語言模型符號推理框架
大型語言模型在深層推理上仍易失效，研究者推出PrologMCP，讓LLM透過MCP呼叫Prolog進行符號推理，提供狀態化介面與結構化錯誤回報。實驗顯示，使用PrologMCP的Formalizer在PARARULE‑Plus測試中達到近乎完美的正確率，優於傳統推理模型。