في هذا البحث، نقترح نهجًا جديدًا للتعلم العميق يُسمى نموذج الارتباط العصبي (Neural Association Model - NAM) للاستدلال الاحتمالي في الذكاء الصناعي. نقترح استخدام الشبكات العصبية لتمثيل الارتباط بين أي حدثين في مجال معين. تقوم الشبكات العصبية بأخذ حدث واحد كمدخل وحساب احتمال شرطي للحدث الآخر لتمثيل مدى احتمالية ارتباط هذين الحدثين. المعنى الفعلي للاحتمالات الشرطية يختلف بين التطبيقات ويعتمد على كيفية تدريب النماذج. في هذا العمل، كدراسة حالة، قدمناً بناءين لنماذج NAM، وهما الشبكات العصبية العميقة (Deep Neural Networks - DNN) والشبكات العصبية المعدلة بالعلاقة (Relation-Modulated Neural Nets - RMNN)، على عدة مهام استدلال احتمالي في الذكاء الصناعي، بما في ذلك التعرف على الاستنبات النصي، تصنيف الثلاثيات في قواعد البيانات ذات العلاقات المتعددة والاستدلال البديهي. أظهرت النتائج التجريبية على عدة مجموعات بيانات شائعة مشتقة من WordNet وFreeBase وConceptNet أن كل من DNNs وRMNNs يؤدي بشكل جيد للغاية ويمكنهما تجاوز الأساليب التقليدية المتاحة لهذه المهام الاستدلالية بشكل كبير. بالإضافة إلى ذلك، مقارنة بـ DNNs، تعتبر RMNNs أفضل في نقل المعرفة، حيث يمكن توسيع نموذج مدرب سابقًا بسرعة إلى علاقة غير مرئية بعد مشاهدة عدد قليل فقط من عينات التدريب. لإثبات فعالية النماذج المقترحة بشكل أكبر، طبقنا NAMs في حل مشكلات مخطط Winograd (Winograd Schema - WS) الصعبة. أثبتت التجارب التي أجريت على مجموعة من مشكلات WS أن النماذج المقترحة لديها إمكانات للاستدلال البديهي.