GridRoute: A Benchmark for LLM-Based Route Planning with Cardinal Movement in Grid Environments
School of Transportation and Civil Engineering, Nantong University, China（南京理工大学交通与土木工程学院）；HongKong Linchance Intelligent Technology Co., Ltd. (LinChance), China（香港林 chance 智能科技有限公司）；College of Computing and Informatics, Drexel University, USA（德雷塞尔大学计算机与信息学院）；University of New South Wales, Australia（新南威尔士大学）
提出GridRoute基准评估LLMs与传统算法的协同作用，并引入Algorithm of Thought (AoT)提示技术，显著提升了各规模模型在网格路径规划中的性能。
2025-08-13 cs.AI
A Formal Comparison between Datalog-based Languages for Stream Reasoning (extended version)
University of Calabria（卡拉布里亚大学）
本文研究了两种基于逻辑的语言的相对表达能力的推理流，即LARS程序-语言的逻辑为基础的框架分析推理流称为LARS -和LDSR -语言的最近扩展的I-DLV系统流推理称为I-DLV-SR。虽然这两种语言建立在数据库，它们在语法和语义上都不同。为了协调它们的表达能力流推理，我们定义了一个比较框架，使我们能够表明，没有任何限制，这两种语言是无与伦比的，并确定每个语言的片段，可以通过其他的。
2022-08-26 cs.AI
Bridging between LegalRuleML and TPTP for Automated Normative Reasoning (extended version)
University of Greifswald（格赖夫斯瓦尔德大学）；University of Luxembourg（卢森堡大学）；University of Bamberg（班贝格大学）
LegalRuleML是一个全面的基于XML的表示框架，用于建模和交换规范性规则。另一方面，TPTP输入和输出格式是与自动推理系统交互的通用标准。在本文中，我们提供了两个社区之间的桥梁，（一）定义一个逻辑多元规范推理语言的基础上的TPTP格式，（二）提供一个翻译计划之间的相关片段的LegalRuleML和这种语言，和（iii）提出了一个灵活的架构，自动规范推理的基础上，这种翻译。我们举例说明，并证明了三种不同的规范逻辑的方法。
2022-09-12 cs.AI
Reasoning about Actual Causes in Nondeterministic Domains -- Extended Version
University of Regina（里贾纳大学）；York University（约克大学）
本文研究非确定性领域中的实际因果推理，基于非确定性情境演算提出“必然导致”和“可能导致”概念，并扩展回归方法以支持对这些实际因果关系概念的推理。
2024-12-21 cs.AI
A Novel Fuzzy Approximate Reasoning Method Based on Extended Distance Measure in SISO Fuzzy System
Faculty of Information Science, KIM IL SUNG University（金日成大学信息科学学院）
本文提出了一种新颖的模糊近似推理方法，为人工智能（AI）和计算智能（CI）的不确定性推理开辟了一个新的研究方向。模糊肯定前件（FMP）和模糊否定前件（FMT）是各种模糊系统中一般模糊近似推理的两个基本模型。而约化性是近似推理理论中的一个基本而重要的性质，它有着广泛的应用。针对具有不同维数离散模糊集向量的单输入单输出模糊系统，提出了一种基于扩展距离测度的近似推理方法。基于EDM的模糊近似推理方法由两部分组成，FMP-EDM和FMT-EDM。前件离散模糊集维数等于后件离散模糊集维数的基于距离测度的模糊推理方法已在其他文献中得到解决。不同维数的离散模糊集向量是指SISO模糊系统中前件离散模糊集的维数与后件离散模糊集的维数不同。也就是说，本文是基于EDM。实验结果表明，与现有的模糊推理方法相比，本文提出的近似推理方法具有清晰、有效的还原性，更符合人类思维。
2020-03-27 cs.AI
Reasoning for ALCQ extended with a flexible meta-modelling hierarchy
Universidad de la República（共和国大学）；University of Leicester（莱斯特大学）
这项工作的动机是一个现实世界的案例研究，它是必要的，通过Meta建模集成和相关现有的本体。为此，我们介绍了描述逻辑ALCQM，这是从ALCQ通过添加语句，等同于个人的知识库中的概念。在这个新的扩展中，一个概念可以是另一个概念（称为元概念）的个体，而另一个概念本身又可以是另一个概念（称为Meta元概念）的个体等等。
2014-10-29 cs.AI
Fluid Reasoning Representations
ETH Zurich（苏黎世联邦理工学院）；University of Toronto（多伦多大学）
研究揭示了推理模型通过上下文细化令牌表示提升抽象问题解决能力的机制，提出流体推理表示概念。
2026-07-22 cs.AI
An Evaluation of Structural Parameters for Probabilistic Reasoning: Results on Benchmark Circuits
University of California（加利福尼亚大学）；Rockwell Science Center（罗克韦尔科学中心）
许多处理概率网络的算法依赖于问题结构的拓扑性质。这样的算法（例如，聚类、调节）仅在问题具有由诸如树宽度和循环割集大小之类的参数捕获的稀疏图时才有效。在本文中，我们发起了一项研究，以确定潜在的基于结构的算法在现实生活中的应用。我们从经验上分析了来自电路诊断领域的问题的结构特性。具体来说，我们定位这些属性，捕捉聚类和调节的有效性，以及一个家庭的调节+聚类算法，旨在逐步交易空间的时间。我们对测试界广泛使用的11个基准电路进行了分析。我们还报告的效果，排序算法对树聚类，并表明，在我们的基准，著名的最大基数排序是大大低于一个排序称为最小度。
2013-02-13 cs.AI
Implementing Evidential Reasoning in Expert Systems
University of California, Berkeley（加州大学伯克利分校）
Dempster-Shafer理论近年来得到了扩展，应用于专家系统。然而，在基于规则的系统中实现扩展的D-S推理模型使得生成信息解释的任务变得非常复杂。通过实现GERTIS，诊断类风湿关节炎的原型系统，我们表明，两种知识是必不可少的解释生成：（1）分类类之间的关系假设和（2）指针的规则，显着有助于信念的假设。其结果是，在GERTIS表示的知识是更丰富和更复杂的比传统的基于规则的系统。GERTIS不仅证明了基于规则的证据推理系统的可行性，而且还提出了生成更好解释的方法，并明确表示假设和规则之间的各种有用关系。
2013-03-27 cs.AI
Chain-of-Thought Hijacking
Independent（独立）；University of Oxford（牛津大学）；Stanford University（斯坦福大学）；Anthropic；Martian Core
提出思维链劫持攻击，通过诱导大型推理模型进行长时间良性推理来削弱其拒绝有害请求的能力，实现高成功率越狱。
2026-05-24 cs.AI
Social, Legal, Ethical, Empathetic, and Cultural Rules: Compilation and Reasoning (Extended Version)
Gran Sasso Science Institute（格兰萨索科学研究所）
本文通过语言学分析将SLEEC规则翻译为经典逻辑，研究其推理的计算复杂性，并提出利用逻辑编程框架实现SLEEC规则的实际策略，从而使人工智能系统能够遵守社会、法律、伦理、共情和文化规范。
2024-09-28 cs.AI
Possible Controllability of Control Argumentation Frameworks -- Extended Version
LIPADE, Université de Paris（巴黎大学 LIPADE）
最近的控制论证框架（CAF）是一个推广的Dung的论证框架，处理不确定性下的论证动力学，特别是它可以用来模拟行为的代理，可以预见未来的变化环境。在这里，我们提供了新的见解，这个模型定义的概念可能的可控性的CAF。我们研究了这种新形式的推理的四个经典语义的复杂性，我们提供了一个逻辑编码的推理与这个框架。
2020-09-10 cs.AI
Heterogeneous Proxytypes Extended: Integrating Theory-like Representations and Mechanisms with Prototypes and Exemplars
University of Turin（都灵大学）；ICAR-CNR（意大利国家研究委员会智能计算与高性能计算研究所）
本文介绍了一个扩展的建议，根据认知代理的概念表示应打算作为异构代理类型。本文的主要贡献在于，它详细说明了如何协调，在异构表征的角度，不同的理论典型性的概念表征和推理。特别是，它提供了一个新的理论假设-以及一个新的分类算法称为DELTA -显示如何整合的理论理论的概念与那些归因于原型和范例为基础的理论的表征和推理假设。
2019-09-04 cs.AI
Reasoning about Explanations for Negative Query Answers in DL-Lite
Free University of Bozen-Bolzano（博尔扎诺-博岑自由大学）；Vienna University of Technology（维也纳工业大学）；University of Oxford（牛津大学）
为了满足可用性需求，大多数基于逻辑的应用程序提供推理服务的解释设施。这也适用于描述逻辑，其中研究集中在TBox推理和最近的查询回答的解释上。除了解释查询答案中元组的存在之外，解释为什么给定的元组丢失也很重要。我们解决后一个问题，例如，通过采用溯因推理，在DL-Lite本体上进行合取查询回答;也就是说，我们寻找ABox的补充，强制给定的元组出现在结果中。作为推理任务，我们考虑存在和承认的解释，相关性和必要性的一个给定的声明的解释。我们刻画了这些问题的计算复杂性的任意，子集最小，基数最小的解释。
2014-02-04 cs.AI cs.LO
Extending Automated Deduction for Commonsense Reasoning
Tallinn University of Technology（塔林理工大学）
常识推理一直被认为是人工智能的圣杯之一。该领域的大多数最新进展都是通过用于自然语言处理的新型机器学习算法实现的。然而，如果不结合逻辑推理，这些算法仍然可以说是肤浅的。除了一些值得注意的例外，实际的自动化逻辑推理机的开发人员大多避免关注这个问题。本文认为，经典一阶逻辑的现有自动推理机所使用的方法和算法可以扩展到常识推理。而不是设计新的专门的逻辑，我们提出了一个框架的扩展主流的分辨率为基础的搜索方法，使这些能够执行搜索任务的实际常识推理合理的效率。建议的扩展主要依赖于普通的证明树上操作，旨在处理常识知识库，包含不一致，默认规则，分类，主题，相关性，置信度和相似性的措施。我们认为，机器学习最适合于常识知识库的构建，而扩展的基于逻辑的方法将非常适合于实际回答来自这些知识库的查询。
2020-03-29 cs.AI
Assumption-Based Approaches to Reasoning with Priorities
Ruhr Universität Bochum（波鸿鲁尔大学）
本文通过对严格规则和可撤销假设下的论证中偏好处理方法的翻译，揭示了它们之间的关系。我们比较的系统是：非优先级的失败，即攻击，基于偏好的失败，以及基于偏好的失败与反向失败的扩展。
2017-09-29 cs.AI
Towards Closed World Reasoning in Dynamic Open Worlds (Extended Version)
Universidade Nova de Lisboa（新里斯本大学）
集成本体与非单调规则的需求在许多领域（如语义Web）中越来越重要。一些研究人员解决了这个问题，提出了一个统一的语义混合知识库组成的本体（表示在一阶逻辑的片段）和非单调规则。这些语义经过多年的发展已经成熟，但只为知识不需要进化的静态情况提供解决方案。在本文中，我们采取的第一步，解决混合动力知识库。我们专注于知识更新，并考虑到艺术的信念更新，本体更新和规则更新的状态，我们表明，目前的解决方案只是部分的，难以结合。然后，我们扩展了现有的工作ABox更新的规则，提供了这样的发展混合知识库的语义，并研究其基本性质。据我们所知，这是第一次提出了一个更新算子的混合知识库。
2010-07-23 cs.AI
Extended RDF as a Semantic Foundation of Rule Markup Languages
Institute of Computer Science, FORTH-ICS（计算机科学研究所，FORTH-ICS）；University of Crete（克里特大学）；Universidade Nova de Lisboa（新里斯本大学）
本体论和自动推理是语义网的基础。派生规则可以被包括在本体中以基于基本概念来定义派生概念。例如，规则允许基于相同或其他类和属性的扩展之间的复杂关系来定义类或属性的扩展。另一方面，也需要包括否定失败和明确否定信息的形式的否定信息，以实现各种形式的推理。在本文中，我们扩展了RDF图的弱否定和强否定，以及派生规则。定义了扩展框架（Extended RDF）的ERDF稳定模型语义，扩展了RDF（S）语义。我们的理论的一个显着特点，这是基于部分逻辑，是真和假的属性和类的扩展被认为是，允许真值差距。我们的框架支持封闭世界和开放世界的推理，通过明确表示特定的封闭世界的假设和ERDF本体论类别的总属性和总类。
2011-10-31 cs.AI
Extended Inductive Reasoning for Personalized Preference Inference from Behavioral Signals
Renmin University of China（中国人民大学）；Ant Group（蚂蚁集团）
本文提出AlignXplore模型，通过扩展推理链从用户行为信号中系统推断个性化偏好，并结合冷启动训练与在线强化学习，在域内外基准上平均提升15.49%，同时保持强泛化能力。
2025-07-07 cs.AI cs.CL
Temperature-Dependent Performance of Prompting Strategies in Extended Reasoning Large Language Models
Gujarat Technological University（古吉拉特技术大学）；The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）
研究评估了不同温度下链式思维和零样本提示策略在扩展推理中的表现，发现零样本提示在中等温度下性能最佳，链式思维在极端温度下表现最佳，扩展推理的收益随温度增加而提升。
2026-03-18 cs.AI cs.CL cs.LG
Clueing up LLMs with Tool-Augmented Deductive Reasoning
Georgetown University（乔治城大学）；Syntheos, Corp（Syntheos公司）；UNU-MERIT（联合国大学-马斯特里赫特经济与社会创新研究所）
本研究在Clue棋盘游戏环境中，通过工具增强的可能性矩阵将推理日志转为显式状态，提升LLM智能体的多步演绎推理能力，并显著优于基线。
2026-09-17 cs.AI
Abduction-Based Explanations for Machine Learning Models
University of Lisbon（里斯本大学）；ISDCT SB RAS（俄罗斯科学院西伯利亚分院系统动力与控制论研究所）；VMware（威睿）
机器学习（ML）在众多环境中的应用范围不断扩大，激发了为预测计算小解释的能力。人们普遍认为，简短的解释更容易让人类决策者理解。大多数早期的工作计算的解释是基于启发式的方法，提供没有保证的质量，在如何接近这样的解决方案是从基数或子集最小的解释。本文开发了一种约束不可知的解决方案，用于计算任何ML模型的解释。所提出的解决方案利用溯因推理，并施加的要求，ML模型可以表示为使用一些目标约束推理系统，决策问题可以回答一些预言集的约束。在知名数据集上获得的实验结果验证了所提出方法的可扩展性以及计算解决方案的质量。
2018-11-26 cs.AI
Reasoning about Evolving Nonmonotonic Knowledge Bases
最近，已经引入了几种更新作为扩展逻辑程序建模的知识库的方法，从将规则集（的序列）合并到逻辑程序中的基本方法，到使用更新策略来指定必须如何合并更新的更精细的方法。在本文中，我们介绍了一个框架的推理不断发展的知识库，这是表示为扩展的逻辑程序和维护的更新政策。我们首先描述了一个正式的模型，捕捉各种更新方法，我们定义了一个逻辑语言表达不断变化的知识库的属性。然后，我们调查我们的框架，在那里我们专注于知识状态的属性相对于规范推理任务的一个给定的公式是否持有一个给定的不断发展的知识库的语义和计算属性。特别是，我们提出了有限的特征的演变为某些类别的框架实例，可以利用获得可判定性的结果。更详细地说，我们描述了一些有意义的类不断发展的知识库，从多项式到双指数空间复杂度的推理的复杂性。
2002-09-16 cs.AI
Reasoning about Qualitative Direction and Distance between Extended Objects using Answer Set Programming
Sabanci University（萨班哲大学）
在这篇论文中，我们介绍了一个新的形式化框架，表示和推理的定性方向和扩展对象之间的距离关系，使用答案集编程（ASP）。我们以基数方向演算（CDC）为出发点，并扩展CDC与新的种类的约束，其中涉及默认值，偏好和否定。我们将此扩展版本称为nCDC。然后通过扩充定性距离关系对nCDC进行了进一步的扩展，并将其命名为nCDC+。对于CDC，nCDC，nCDC+，我们引入了一个基于ASP的通用框架来解决一致性检查问题，解决定性空间关系的组合和反转，推断对象之间未知或缺失的关系，并找到一个合适的配置，满足给定的查询对象。
2019-09-18 cs.AI cs.LO cs.RO
A Survey on Temporal Reasoning for Temporal Information Extraction from Text (Extended Abstract)
University Medical Center Utrecht（乌得勒支大学医学中心）；KU Leuven（鲁汶大学）
时间深深地融入了人们对世界的感知和交流。我们几乎是无意识地为我们的语言话语提供了时间线索，比如动词时态，没有这些线索，我们很难造句。从文本中提取时间线索，并构建关于描述事件顺序的全局时间视图是自动自然语言理解的主要挑战。时间推理是将不同的时间线索组合成一个连贯的时间视图的过程，在时间信息抽取中起着核心作用。本文综述了过去几十年来关于文本时间信息抽取的时间推理研究，并提供了一个将符号推理与基于机器学习的信息抽取系统相结合的案例研究。
2020-05-15 cs.AI cs.CL cs.LG
Towards an ASP-Based Architecture for Autonomous UAVs in Dynamic Environments (Extended Abstract)
传统的人工智能推理技术已经成功地应用于许多领域，包括物流，调度和游戏。本文是一个项目的一部分，旨在研究如何将这种技术扩展到协调团队的无人机（UAV）在动态环境中。特别具有挑战性的是真实世界的环境，无人机和其他支持网络的设备必须进行通信以进行协调，而通信行为既不可靠也不自由。这种以网络为中心的环境在军事、公共安全和商业应用中很常见，但大多数研究（甚至是多智能体规划）通常将分布式智能体之间的通信视为给定。我们通过开发一个基于回答集编程（ASP）的代理体系结构和推理算法来解决这一挑战。虽然ASP已成功地用于一些应用程序，据我们所知，这是第一个实际应用的一个完整的基于ASP的代理架构。它也是ASP的第一个实际应用，涉及集中推理，分散推理，执行监控和网络通信推理的组合。
2014-05-21 cs.AI cs.MA
Does Deeper Reasoning Compromise Alignment? Revealing and Mitigating of Alignment Collapse in Large Reasoning Models
Shanghai University of Engineering Science（上海工程技术大学）；The Hong Kong University of Science and Technology（香港科技大学）；A * STAR（新加坡科技研究局）
本文揭示大型推理模型在深度推理下会出现对齐崩溃，提出对齐损失率指标和推理陷阱越狱范式，并设计推理残差对齐防御策略以缓解该问题。
2026-09-09 cs.AI cs.CL
Practical Reasoning for Expressive Description Logics
描述逻辑是一类知识表示形式化体系，其主要特征是构造器从原子概念和角色构造复杂的概念和角色。表达角色构造器在许多应用中很重要，但在计算上可能存在问题。我们提出了一个算法，决定可满足性的DL ALC扩展的传递和逆角色，角色层次结构，和合格的数量限制。早期的实验表明，该算法是非常适合实现。此外，我们还证明了仅具有传递和逆角色的ALC扩展仍然是PSPACE中的。最后，我们调查这个家庭的DL的可判定性的限制。
2000-05-10 cs.AI cs.LO
Complexity in finitary argumentation (extended version)
Department of Mathematics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校数学系）；Department of Humanistic Research and Innovation, University of Bari（巴里大学人文研究与创新系）
针对无限抽象论证框架（AFs）计算难处理的问题，研究无限但有限AFs（每个论证仅被有限个攻击）的复杂性，发现有限性不自动降复杂度，但基于可接受性语义有显著组合约束可大幅降复杂度，平衡表达性与可处理性。
2025-08-23 cs.AI math.LO
From Propositional Logic to Plausible Reasoning: A Uniqueness Theorem
Adobe Systems（Adobe系统公司）
我们考虑了将命题逻辑扩展为似然推理逻辑的问题，以及任何这样的扩展应满足的四个要求。每一个都要求经典命题逻辑的某些性质在扩展逻辑中得到保留;因此，这些要求比考克斯定理及其变体中使用的要求更简单，问题更少。与考克斯定理一样，我们的要求意味着扩展逻辑必须同构于（有限集）概率论。我们还得到了概率的具体数值，恢复了概率作为定理的经典定义，满足前提的真值分配扮演了“可能情况”的角色。"
2017-06-16 cs.AI cs.LO
The Deterministic Horizon: When Extended Reasoning Fails and Tool Delegation Becomes Necessary
University of Science and Technology of China（中国科学技术大学）
本文通过注意力瓶颈定理和确定性视界概念，证明解码器-only注意力在确定性状态追踪任务中存在信息论容量限制，导致扩展推理性能退化，并指出当视界超过19-31时工具委托成为必要。
2026-08-11 cs.AI cs.CL cs.LG
Causality in Neural Networks -- An Extended Abstract
Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）
因果推理是人类使用的主要学习和解释工具。人工智能系统应该具备因果推理能力，以便在现实世界中以信任和可靠的方式部署。将因果关系的思想引入机器学习有助于提供更好的学习和可解释的模型。可解释性、因果解纠缠是任何机器学习模型的一些重要方面。因果解释需要相信模型的决定，因果解纠缠学习对于迁移学习应用是重要的。我们利用因果关系的思想用于深度学习模型，以实现更好的和因果可解释的模型，这些模型在公平性，解纠缠表示等方面很有用。
2021-06-03 cs.AI cs.LG
VisRef: Visual Refocusing while Thinking Improves Test-Time Scaling in Multi-Modal Large Reasoning Models
University of Maryland, College Park（马里兰大学学院公园分校）；Amazon（亚马逊）；Physion Labs（Physion实验室）
VisRef通过视觉再聚焦提升多模态大推理模型测试时间扩展性能，有效解决视觉依赖任务中推理性能下降问题。
2026-02-27 cs.AI cs.CV
