JAIR

Symbol Grounding in Neuro-Symbolic AI: A Gentle Introduction to Reasoning Shortcuts

神经符号AI中的符号接地：推理快捷方式的入门介绍

Emanuele Marconato, Samuele Bortolotti, Emile van Krieken, Paolo Morettin, Elena Umili, Antonio Vergari, Efthymia Tsamoura, Andrea Passerini, Stefano Teso

机构 * University of Trento（特伦托大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Sapienza University of Rome（罗马大学） ； University of Edinburgh（爱丁堡大学） ； Huawei Labs（华为实验室） 纠错

AI总结 本文探讨神经符号AI中推理快捷方式的问题，分析其成因与影响，并提供解决方法与策略，以提升模型的可靠性和可信度。

Comments Published on JAIR (Integration of Logical Constraints in Deep Learning special track)

Text Generation: A Systematic Literature Review of Tasks, Evaluation, and Challenges

文本生成：关于任务、评估与挑战的系统文献综述

Jonas Becker, Jan Philip Wahle, Bela Gipp, Terry Ruas

AI总结 该系统综述梳理2017-2025年257篇论文，划分文本生成五大任务，评估三类方法，指出任务特有与共有的9项挑战，为NLP领域不同阶段研究者提供领域概览与研究方向参考。

Comments Published in the Journal of Artificial Intelligence Research (JAIR)

CollaFuse: Collaborative Diffusion Models

CollaFuse：协同扩散模型

Simeon Allmendinger, Domenique Zipperling, Lukas Struppek, Niklas Kühl

机构 * University of Bayreuth（巴耶鲁斯大学） ； Fraunhofer FIT（弗劳恩霍夫 FIT） ； FIM Research Center for Information Management（信息管理研究所以） ； Technical University of Darmstadt（达姆施塔特技术大学） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） 纠错

AI总结 本文提出CollaFuse协同扩散模型，通过本地保留数据和轻量计算，将高计算任务转移至服务器，降低客户端负担，提升性能并减少数据泄露风险。

Comments Accepted at the Journal of Artificial Intelligence Research (JAIR)

Hierarchical Reinforcement Learning with Optimal Level Synchronization Based on Flow-Based Deep Generative Model

基于流基深度生成模型的最优层级同步分层强化学习

JaeYoon Kim, Junyu Xuan, Christy Liang, Farookh Hussain

AI总结 研究强化学习中高维状态等复杂场景，提出基于流基深度生成模型支持直接离策略校正的新型分层强化学习模型，利用模型逆操作与解决其局限性，经实验验证该模型性能优于现有模型。

Comments Published in the Journal of Artificial Intelligence Research (JAIR), Volume 86, 2026. This version corresponds to the published JAIR article

Journal ref Journal of Artificial Intelligence Research, 86, Article 28 (2026), 25 pages

A Neuro-Symbolic Approach for Probabilistic Reasoning on Graph Data

一种用于图数据概率推理的神经符号方法

Raffaele Pojer, Andrea Passerini, Kim G. Larsen, Manfred Jaeger

机构 * Aalborg University（奥尔堡大学） ； University of Trento（特伦托大学） 纠错

AI总结 本文提出神经符号框架，将GNNs集成到RBNs中，结合二者优势。开发两种集成实现及MAP推理方法，通过节点分类转换和环境规划问题展示通用性，引入新基准数据集，为图数据处理带来新方法，提升多样任务性能。

Comments Submitted to the Journal of Artificial Intelligence Research (JAIR); under revision. 43 pages, 10 figures. Code available at https://github.com/raffaelepojer/NeSy-for-graph-data

How to DP-fy Your Data: A Practical Guide to Generating Synthetic Data With Differential Privacy

如何让你的数据实现差分隐私：使用差分隐私生成合成数据的实用指南

Natalia Ponomareva, Zheng Xu, H. Brendan McMahan, Peter Kairouz, Lucas Rosenblatt, Vincent Cohen-Addad, Cristóbal Guzmán, Ryan McKenna, Galen Andrew, Alex Bie, Da Yu, Alex Kurakin, Morteza Zadimoghaddam, Sergei Vassilvitskii, Andreas Terzis

机构 * Google Research USA（谷歌DeepMind） ； NYU Work done at Google as part of student researcher engagement New York NY USA ； Google Research New York NY USA ； Institute for Mathematical ； Computational Engineering, Faculty of Mathematics ； School of Engineering, Pontificia Universidad Cat\'olica de Chile Santiago Chile ； Google DeepMind Mountain View CA USA ； Google Research ； School of Engineering, Pontificia Universidad Cat\'olica de Chile ； Google DeepMind 纠错

AI总结 研究如何利用差分隐私生成合成数据，探讨相关技术、保护类型及不同模态进展，概述系统组件，旨在推动差分隐私合成数据应用，促进研究并增强信任。

Journal ref JAIR 2026, vol. 86 JAIR, Vol. 86

Explainable Bayesian deep learning through input-skip Latent Binary Bayesian Neural Networks

通过输入跳跃潜在二元贝叶斯神经网络实现可解释的贝叶斯深度学习

Eirik Høyheim, Lars Skaaret-Lund, Solve Sæbø, Aliaksandr Hubin

机构 * Norwegian University of Life Sciences Ås（挪威生命科学大学 Ås） 纠错

AI总结 研究用人工神经网络建模自然现象的问题，核心方法是提出输入跳跃潜在二元贝叶斯神经网络。主要贡献是简化网络、量化不确定性、识别协变量、调整非线性，还引入活跃路径增强解释。

Comments 42 pages, 22 tables, 24 figures. Code available at https://github.com/eirihoyh/ISLaB-LBBNN/tree/JAIR

Journal ref Journal of Artificial Intelligence Research 86, Article 16 (2026) 1-42

Causal Explanations for Image Classifiers

图像分类器的因果解释

Hana Chockler, David A. Kelly, Daniel Kroening, Youcheng Sun

机构 * King's College London（伦敦国王学院） ； Amazon.com, Inc.（亚马逊公司） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Manchester（曼彻斯特大学） 纠错

AI总结 本文提出基于实际因果理论的新型黑盒方法，证明算法终止性并展示其在解释效率和精度上的优势。

Comments Accepted to Journal of Artificial Intelligence Research (JAIR). A subset of the contribution was published in ICCV 2021

Journal ref Journal of Artificial Intelligence Research, vol 86, 2026

A Concept of Possibility for Real-World Events

现实世界事件的可能性概念

Daniel G. Schwartz

机构 * Florida State University（佛罗里达州立大学） 纠错

AI总结 提出一种基于事件前提与约束概率计算可能性的新概念，用于规划问题中评估计划可行性，并以车辆路径规划为例说明。

Comments Submitted to Journal of Artificial Intelligence Research (JAIR), June 25, 2026

It's About Time: Temporal References in Emergent Communication

关于时间：涌现通信中的时间指代

Olaf Lipinski, Adam J. Sobey, Federico Cerutti, Timothy J. Norman

机构 * University of Southampton（索姆塞特大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； University of Brescia（布雷西亚大学） 纠错

AI总结 研究涌现通信中时间指代缺失问题，发现仅改变损失函数不足，需修改架构（分批方法）才能使时间指代涌现，95%以上代理成功，为提升通信效率奠定基础。

Comments 23 pages main body and 31 pages supplementary material, 9 figures in main body. Code available at https://github.com/olipinski/TRG

Journal ref Journal of Artificial Intelligence Research 86, Article 11 (June 2026)