我们正式化了Van Bekkum等人的神经符号设计模式的某些方面，以便我们可以正式定义模式细化的概念，以及来自较小构件的较大模式的模块化组合。这些正式的概念正在异质工具集（HET）中实现，以便可以检查模式和改进是否形成良好，并可以计算组合。

在结构证明理论中，设计和研究大量微积分使得很难单独和作为整个系统的一部分获得有关每个规则的直觉。我们介绍了两种新颖的工具，以使用图理论和自动机理论的方法来帮助计算。第一个工具是证明树自动机（PTA）：树自动机哪种语言是微积分的派生语言。第二个工具是称为证明树图（PTG）的演算的图形表示。在此定向超图中，顶点是术语（例如序列），而Hyperarcs是规则。我们探索PTA和PTG的属性以及它们如何相互关系。我们表明，我们可以将PTA分解为从微积分到传统树自动机的部分地图。我们在改进系统理论中制定了这一说法。最后，我们将框架与证明网和弦图进行比较。

在这项工作中，我们在文化象征主义的背景下填补了语义网络中的差距。建立早期的工作，我们介绍了模拟本体，这是一种模拟象征意义的背景知识，通过组合从Simulacra的权威理论和Jean Baudrillard的象征性和符号中所采取的符号结构和内容的象征性理论和象征性的象征性和内容来制定象征意义的背景知识。史蒂文古老的旧版典型的字典。我们通过将其转换为在我们的本体模式中来重新设计已经存在于异质资源中以产生溢流的象征性，这是完全致力于文化象征主义的第一个知识图。提出了在知识图上运行的第一个实验，以显示对象征主义定量研究的潜力。

In this paper, we present a new theoretical approach for enabling domain knowledge acquisition by intelligent systems. We introduce a hybrid model that starts with minimal input knowledge in the form of an upper ontology of concepts, stores and reasons over this knowledge through a knowledge graph database and learns new information through a Logic Neural Network. We study the behavior of this architecture when handling new data and show that the final system is capable of enriching its current knowledge as well as extending it to new domains.

owloop是一个应用程序编程接口（API），用于通过面向对象编程（OOP）的方式使用本体Web语言（OWL）。使用OOP范例设计软件架构是常见的，以增加其模块化。如果架构的组件还用于知识表示和推理的OWL本体，则需要与OWL公理界面接口。由于猫头鹰不符合OOP范例，因此这种接口通常会导致影响模块化的样板代码，欧伦福旨在解决这个问题以及相关的计算方面。我们介绍了OWL-API的扩展，以提供猫头鹰公理之间的通用接口，而是经过推理和模块化OOP对象层次结构。

我们介绍了对形状约束语言（Shacl）的介绍和审查，用于验证RDF数据的W3C推荐语言。SHACL文档描述了RDF节点上的一组约束，如果其节点满足这些约束，则图表对于文档是有效的。我们重新审视语言的基本概念，其构建和组件及其互动。我们审查了用于研究这种语言和不同语义的不同正式框架。我们检查许多相关问题，从遏制和满足性与Shacl与推理规则的相互作用，并展示语言的不同发动机对不同的问题有用。我们还涵盖了Shacl的实际方面，讨论其实现和通过的情况，为从业者和理论者提供了一个很有用的全面审查。

尽管在生物医学领域中大量吸收了语义技术，但对于已发表的本体论中的共同建模实践知之甚少。猫头鹰本体通常仅以一组公理的粗糙形式出版，使底层设计不透明。但是，原则和系统的本体论发展生命周期可能反映在本体论的新句法结构的规律性中。为了发展对这种新兴结构的理解，我们提议反向工程学本体，采用语法指导的方法来识别和分析公理和公理集的规律性。我们根据猫头鹰公理和班级框架的句法建模趋势和常见实践来调查生物规模。我们的发现表明，生物医学本体仅共享简单的句法结构，在这些结构中，猫头鹰构造者没有以复杂的方式深入嵌套或组合。尽管这种简单的结构通常在给定的本体论中说明了大量的公理，但许多本体论还包含非平凡数量的更复杂的句法结构，这些结构在整体上并不常见。

形状约束语言（SHACL）是通过验证图表上的某些形状来验证RDF数据的最新W3C推荐语言。先前的工作主要集中在验证问题上，并且仅针对SHACL的简化版本研究了对设计和优化目的至关重要的可满足性和遏制的标准决策问题。此外，SHACL规范不能定义递归定义的约束的语义，这导致文献中提出了几种替代性递归语义。尚未研究这些不同语义与重要决策问题之间的相互作用。在本文中，我们通过向新的一阶语言（称为SCL）的翻译提供了对SHACL的不同特征的全面研究，该语言精确地捕获了SHACL的语义。我们还提出了MSCL，这是SCL的二阶扩展，它使我们能够在单个形式的逻辑框架中定义SHACL的主要递归语义。在这种语言中，我们还提供了对过滤器约束的有效处理，这些滤镜经常在相关文献中被忽略。使用此逻辑，我们为不同的SHACL片段的可满足性和遏制决策问题提供了（联合）可决定性和复杂性结果的详细图。值得注意的是，我们证明这两个问题对于完整的语言都是不可避免的，但是即使面对递归，我们也提供了有趣的功能的可决定性组合。

与其他连接主义模型类似，图形神经网络（GNNS）缺乏决策透明度。已经开发了许多子象征方法来提供对GNN决策过程的见解。这些是解释性途中的第一个重要步骤，但是对于不是AI专家的用户来说，生成的解释通常很难理解。为了克服这个问题，我们介绍了一种概念方法，组合了亚象征性和象征方法以实现人以人为中心的解释，其包含域知识和因果关系。我们还将保真度的概念介绍为评估解释如何对GNN的内部决策过程的指标。使用化学数据集和本体的评估显示了我们方法的解释性值和可靠性。

在本文中，我们建立了模糊和优惠语义之间的联系，用于描述逻辑和自组织地图，这些地图已被提出为可能的候选人来解释类别概括的心理机制。特别是，我们表明，在训练之后的自组织地图的输入/输出行为可以通过模糊描述逻辑解释以及基于概念 - 方面的多次方法语义来描述逻辑解释以及考虑偏好的优先解释关于不同的概念，最近提出了排名和加权污染描述逻辑。可以通过模型检查模糊或优先解释来证明网络的属性。从模糊解释开始，我们还为此神经网络模型提供了概率账户。

Neural-symbolic computing (NeSy), which pursues the integration of the symbolic and statistical paradigms of cognition, has been an active research area of Artificial Intelligence (AI) for many years. As NeSy shows promise of reconciling the advantages of reasoning and interpretability of symbolic representation and robust learning in neural networks, it may serve as a catalyst for the next generation of AI. In the present paper, we provide a systematic overview of the important and recent developments of research on NeSy AI. Firstly, we introduce study history of this area, covering early work and foundations. We further discuss background concepts and identify key driving factors behind the development of NeSy. Afterward, we categorize recent landmark approaches along several main characteristics that underline this research paradigm, including neural-symbolic integration, knowledge representation, knowledge embedding, and functionality. Then, we briefly discuss the successful application of modern NeSy approaches in several domains. Finally, we identify the open problems together with potential future research directions. This survey is expected to help new researchers enter this rapidly-developing field and accelerate progress towards data-and knowledge-driven AI.

Two approaches to AI, neural networks and symbolic systems, have been proven very successful for an array of AI problems. However, neither has been able to achieve the general reasoning ability required for human-like intelligence. It has been argued that this is due to inherent weaknesses in each approach. Luckily, these weaknesses appear to be complementary, with symbolic systems being adept at the kinds of things neural networks have trouble with and vice-versa. The field of neural-symbolic AI attempts to exploit this asymmetry by combining neural networks and symbolic AI into integrated systems. Often this has been done by encoding symbolic knowledge into neural networks. Unfortunately, although many different methods for this have been proposed, there is no common definition of an encoding to compare them. We seek to rectify this problem by introducing a semantic framework for neural-symbolic AI, which is then shown to be general enough to account for a large family of neural-symbolic systems. We provide a number of examples and proofs of the application of the framework to the neural encoding of various forms of knowledge representation and neural network. These, at first sight disparate approaches, are all shown to fall within the framework's formal definition of what we call semantic encoding for neural-symbolic AI.

叙事制图是一项学科，研究了故事和地图的交织性质。然而，叙述的传统地理化技术经常遇到几个突出的挑战，包括数据采集和一体化挑战和语义挑战。为了解决这些挑战，在本文中，我们提出了具有知识图表（KGS）的叙事制图的想法。首先，要解决数据采集和集成挑战，我们开发了一组基于KG的地理学工具箱，以允许用户从GISYstem内搜索和检索来自集成跨域知识图中的相关数据以获得来自GISYSTEM的叙述映射。在此工具的帮助下，来自KG的检索数据以GIS格式直接实现，该格式已准备好用于空间分析和映射。两种用例 - 麦哲伦的远征和第二次世界大战 - 被提出展示了这种方法的有效性。与此同时，从这种方法中确定了几个限制，例如数据不完整，语义不相容，以及地理化的语义挑战。对于后面的两个限制，我们为叙事制图提出了一个模块化本体，它将地图内容（地图内容模块）和地理化过程（制图模块）正式化。我们证明，通过代表KGS（本体）中的地图内容和地理化过程，我们可以实现数据可重用性和叙事制图的地图再现性。

外部知识（A.K.A.侧面信息）在零拍摄学习（ZSL）中起着关键作用，该角色旨在预测从未出现在训练数据中的看不见的类。已被广泛调查了几种外部知识，例如文本和属性，但他们独自受到不完整的语义。因此，一些最近的研究提出了由于其高度富有效力和代表知识的兼容性而使用知识图表（千克）。但是，ZSL社区仍然缺乏用于学习和比较不同外部知识设置和基于不同的KG的ZSL方法的标准基准。在本文中，我们提出了六个资源，涵盖了三个任务，即零拍摄图像分类（ZS-IMGC），零拍摄关系提取（ZS-RE）和零拍KG完成（ZS-KGC）。每个资源都有一个正常的zsl基准标记和包含从文本到属性的kg的kg，从关系知识到逻辑表达式。我们已清楚地介绍了这些资源，包括其建设，统计数据格式和使用情况W.r.t.不同的ZSL方法。更重要的是，我们进行了一项全面的基准研究，具有两个通用和最先进的方法，两种特定方法和一种可解释方法。我们讨论并比较了不同的ZSL范式W.R.T.不同的外部知识设置，并发现我们的资源具有开发更高级ZSL方法的巨大潜力，并为应用KGS进行增强机学习的更多解决方案。所有资源都可以在https://github.com/china-uk-zsl/resources_for_kzsl上获得。

LegalRuleml是一个全面的基于XML的表示框架，用于建模和交换规范规则。另一方面，TPTP输入和输出格式是与自动推理系统相互作用的通用标准。在本文中，我们通过（i）基于TPTP格式定义逻辑多同性规范性推理语言，提供了两个社区之间的桥梁，（ii）在合法方面的相关片段和该语言之间提供翻译方案，以及（iii）建议基于此翻译的自动规范推理的灵活体系结构。我们用三种不同的规范逻辑实例化并证明了该方法。

Neural-symbolic computing aims at integrating robust neural learning and sound symbolic reasoning into a single framework, so as to leverage the complementary strengths of both of these, seemingly unrelated (maybe even contradictory) AI paradigms. The central challenge in neural-symbolic computing is to unify the formulation of neural learning and symbolic reasoning into a single framework with common semantics, that is, to seek a joint representation between a neural model and a logical theory that can support the basic grounding learned by the neural model and also stick to the semantics of the logical theory. In this paper, we propose differentiable fuzzy $\mathcal{ALC}$ (DF-$\mathcal{ALC}$) for this role, as a neural-symbolic representation language with the desired semantics. DF-$\mathcal{ALC}$ unifies the description logic $\mathcal{ALC}$ and neural models for symbol grounding; in particular, it infuses an $\mathcal{ALC}$ knowledge base into neural models through differentiable concept and role embeddings. We define a hierarchical loss to the constraint that the grounding learned by neural models must be semantically consistent with $\mathcal{ALC}$ knowledge bases. And we find that capturing the semantics in grounding solely by maximizing satisfiability cannot revise grounding rationally. We further define a rule-based loss for DF adapting to symbol grounding problems. The experiment results show that DF-$\mathcal{ALC}$ with rule-based loss can improve the performance of image object detectors in an unsupervised learning way, even in low-resource situations.

对表示形式的研究对于任何形式的交流都是至关重要的，我们有效利用它们的能力至关重要。本文介绍了一种新颖的理论 - 代表性系统理论 - 旨在从三个核心角度从三个核心角度进行抽象地编码各种表示：语法，综合及其属性。通过介绍建筑空间的概念，我们能够在一个统一的范式下编码这些核心组件中的每个核心组件。使用我们的代表性系统理论，有可能在结构上将一个系统中的表示形式转换为另一个系统的表示形式。我们结构转化技术的固有方面是根据表示的属性（例如它们的相对认知有效性或结构复杂性）的代表选择。提供一般结构转化技术的主要理论障碍是缺乏终止算法。代表系统理论允许在没有终止算法的情况下衍生部分变换。由于代表性系统理论提供了一种通用编码代表系统的通用方法，因此消除了进一步的关键障碍：需要设计特定于系统的结构转换算法，这是当不同系统采用不同的形式化方法时所必需的。因此，代表性系统理论是第一个提供统一方法来编码表示形式，通过结构转换支持表示形式的第一个通用框架，并具有广泛的实用应用。

已经开发了许多本体论，即描述逻辑（DL）知识库，以提供有关各个领域的丰富知识，并且其中许多基于ALC，即原型和表达的DL或其扩展。探索ALC本体论的主要任务是计算语义范围。符号方法可以保证声音和完整的语义需要，但对不一致和缺失信息敏感。为此，我们提出了一个模糊的ALC本体神经推理器Falcon。 Falcon使用模糊逻辑运算符为任意ALC本体论生成单个模型结构，并使用多个模型结构来计算语义索引。理论结果表明，保证猎鹰是计算ALC本体学语义索引的声音和完整算法。实验结果表明，Falcon不仅可以近似推理（不完整的本体理由）和chanseansissist的推理（因本体不一致的推理），还可以通过结合ALC本体的背景知识来改善生物医学领域的机器学习。

主张神经符号人工智能（NESY）断言，将深度学习与象征性推理相结合将导致AI更强大，而不是本身。像深度学习一样成功，人们普遍认为，即使我们最好的深度学习系统也不是很擅长抽象推理。而且，由于推理与语言密不可分，因此具有直觉的意义，即自然语言处理（NLP）将成为NESY特别适合的候选人。我们对实施NLP实施NESY的研究进行了结构化审查，目的是回答Nesy是否确实符合其承诺的问题：推理，分布概括，解释性，学习和从小数据的可转让性以及新的推理到新的域。我们研究了知识表示的影响，例如规则和语义网络，语言结构和关系结构，以及隐式或明确的推理是否有助于更高的承诺分数。我们发现，将逻辑编译到神经网络中的系统会导致满足最NESY的目标，而其他因素（例如知识表示或神经体系结构的类型）与实现目标没有明显的相关性。我们发现在推理的定义方式上，特别是与人类级别的推理有关的许多差异，这会影响有关模型架构的决策并推动结论，这些结论在整个研究中并不总是一致的。因此，我们倡导采取更加有条不紊的方法来应用人类推理的理论以及适当的基准的发展，我们希望这可以更好地理解该领域的进步。我们在GitHub上提供数据和代码以进行进一步分析。

这项工作考虑了建设和使用正式知识库（模型）的挑战，该基础（型号）将ATT＆CK，CAPEC，CWE，CWE，CWE，CWE安全枚举。拟议的模型可用于学习攻击技术，攻击模式，缺点和漏洞之间的关系，以便尤其是威胁建模的各种威胁景观。该模型是作为OWL和RDF格式的自由可用数据集的本体。本体的使用是基于结构和图形的方法，以集成安全枚举的方法。在这项工作中，我们考虑使用基于知识库和本体驱动威胁建模框架的ATT＆CK的数据组件的威胁建模方法。此外，制定了一些评估，如何使用威胁建模的本体论方法以及这可能面临的挑战。