国家自然科学基金青年项目：基于混合空间知识表示的少样本图谱融合研究
- 构建神经–符号混合空间表示
- 少样本多模态知识融合
- 多实体对齐与鲁棒表示
深圳大学 · 神经符号人工智能实验室（NSAI Lab）
神经符号人工智能实验室
聚焦深度学习与符号推理融合研究，面向可信、可解释、知识增强的人工智能。
我们关注神经网络模型与符号知识推理的结合，探索下一代认知型人工智能系统。
实验室简介
神经符号人工智能实验室（NSAI Lab）隶属于深圳大学人工智能学院，主要研究方向包括深度学习模型、符号推理系统、多模态知识建模、知识增强语言模型等。
实验室致力于突破传统深度学习在可解释性、知识利用、推理能力方面的局限， 建立融合统计学习与结构化知识的智能计算方法， 支持更加稳健与可信的人工智能应用。
研究方向
核心理念：神经符号融合 (Neuro-Symbolic Integration)
实验室致力于突破传统深度学习在可解释性、常识利用、长程推理能力方面的局限，同时克服传统符号逻辑在自动泛化和复杂自然数据适应性上的不足。我们聚焦于“用符号指导网络，用网络加速符号推理”，建立融合统计学习与结构化知识的下一代认知智能体系。
知识增强大语言模型
将结构化知识图谱与符号规则注入大型网络，缓解幻觉并提升模型表现的可控性。
- 大语言模型与知识图谱融通
- 轻量级知识更新与符号校验
- 复杂知识密集型问答与机理解析
神经符号自治 Agent 与 RAG
结合自适应检索与逻辑约束机制，打造可追溯、可验证且具备长程规划能力的智能体。
- 基于逻辑规则约束的 Agent 规划
- 应对复杂多步推理的检索增强
- 因果工具调用引擎与反馈评估
多模态图谱与表征学习
利用深度神经网络架构处理大体量复杂图谱结构与多模态数据，实现特征的高效演进融合。
- 无监督混合模型下的实体对齐
- 时空复杂知识图谱推理解析
- 混合空间内的多模态序列表征
在研项目（部分）
射频异质异构集成全国重点实验室自主课题：面向射频电子系统设计的多模态知识增强生成研究
- 射频多模态知识图谱构建
- 图注意力驱动的知识检索
- 基于 RAG 的知识增强生成
团队与招生
实验室由 金雄男 带领，现有博士生、硕士生与本科生参与相关研究工作。
面向对机器学习、人工智能、知识图谱、自然语言处理等方向感兴趣的同学长期开放， 欢迎加入实验室共同开展研究。