Neural Reasoning for Robust Instance Retrieval in $\mathcal{SHOIQ}$
Heinz Nixdorf Institute, Paderborn University（帕德博恩大学海因茨·尼克斯多夫研究所）
针对现有描述逻辑推理器对现实知识库中不一致和错误数据缺乏稳健性的问题，提出基于嵌入的神经推理器 EBR，仅需检索原子概念和存在限制的实例即可近似任意概念的实例集，实验证明其对缺失和错误数据更稳健。
2025-10-23 cs.AI cs.LG
Towards Unveiling the Ontology Key Features Altering Reasoner Performances
Faculty of Sciences of Tunis, University of Tunis EL Manar（突尼斯艾尔马纳尔大学突尼斯理学院）；University of Paris 8（巴黎第八大学）
本体推理是描述逻辑的核心研究领域之一。各种高效的推理与高度优化的算法已经被开发，以允许推理任务的表达本体语言，如OWL（DL）。然而，reasoner报告的计算时间已经超过，有时落后于预期的理论值。从经验的角度来看，它还没有很好地理解，在本体中的特定方面是推理机性能下降的因素。在本文中，我们进行了一项关于艺术作品的调查，试图描绘推理经验行为和特定的本体论特征之间的潜在相关性。对这些作品进行了分析，然后进行了分类。此外，我们提出了一套本体特征，涵盖了广泛的结构和句法本体特征。我们声称，这些功能是很好的指标，对推理任务的本体硬度水平。
2015-09-29 cs.AI cs.IR cs.LO
On the Eve of True Explainability for OWL Ontologies: Description Logic Proofs with Evee and Evonne (Extended Version)
Technische Universität Dresden（德累斯顿工业大学）
当使用描述逻辑本体时，理解由描述逻辑推理器导出的蕴涵并不总是简单的。到目前为止，标准本体编辑器Protégé提供了两种服务来帮助：OWL 2 DL本体的（黑盒）证明，以及轻量级OWL EL本体的（玻璃盒）证明，后者利用了推理机ELK的证明设施。由于理由往往不足以解释推理，因此只有很少的工具支持解释推理更有表现力的DL。在本文中，我们介绍了EVEE-LIBS，一个Java库计算证明DL ALCH，和EVEE-PROTEGE，收集Protégé插件显示这些证明在Protégé。我们还简要介绍了最新版本的EVONNE，这是一个更高级的独立应用程序，用于显示和交互使用EVEE-LIBS计算的证明。
2022-06-15 cs.AI cs.LO
Hypertableau Reasoning for Description Logics
University of Oxford（牛津大学）
我们提出了一种新的推理演算的描述逻辑SHOIQ^+-一个知识表示形式主义与应用领域，如语义Web。不必要的非确定性和大型模型的建设是两个主要来源的低效率的基于表的推理演算中使用的国家的最先进的推理机。为了减少不确定性，我们基于超表和超分辨率演算，我们扩展了阻塞条件，以确保终止。为了减少所构造模型的大小，我们引入了任意位置成对分块。我们还提出了一个改进的名义介绍规则，确保终止在存在的名义，逆角色，和数量限制-DL结构的组合，已被证明是出了名的难以处理。我们的实现显示出显着的性能改进，在国家的最先进的推理几个著名的本体。
2014-01-15 cs.AI cs.LO
Completion Reasoning Emulation for the Description Logic EL+
Kansas State University（堪萨斯州立大学）
我们提出了一种将深度学习与基于知识的系统相结合的新方法，我们认为这是有希望的。我们的方法旨在模拟推理结构，可以通过中途检查，而不是简单地学习推理机的答案，这是典型的许多黑盒系统目前正在使用。我们通过训练一个长短期记忆（LSTM）人工神经网络来学习两个不同数据集的EL+推理模式，证明了这个想法是可行的。我们还通过破坏一定比例的测试数据并将reasoner和LSTM对损坏数据的预测与正确答案进行比较，证明了这个经过训练的系统具有抗噪声能力。
2019-12-11 cs.AI cs.LO cs.NE
Efficient Concept Induction for Description Logics
Wright State University（莱特州立大学）
概念归纳是指创建复杂描述逻辑类描述的问题（即，TBox公理）的实例（即，ABox数据）。在本文中，我们特别关注的情况下，既有一组积极的和一组消极的情况下，并寻求复杂的类表达式下，积极的，但不是消极的例子。概念归纳已经在本体工程中找到了应用，但是现有的算法在某些情况下具有基本的性能问题，主要是因为通常需要大量的外部描述逻辑推理机的调用。在本文中，我们提出了一个新的算法，这个问题大大减少了所需的推理机调用的数量。虽然这是在一个更有限的遍历的搜索空间的代价，我们表明，我们的方法提高了执行时间高达几个数量级，而输出的正确性，测量的输入实例的正确覆盖量，在许多情况下仍然相当高。因此，我们的方法应该为现有系统提供一个强有力的替代方案，特别是在其他系统非常缓慢的情况下。
2018-12-08 cs.AI cs.LO
Combining Ontologies with Correspondences and Link Relations: The E-SHIQ Representation Framework
University of Piraeus（比雷埃夫斯大学）；University of the Aegean（爱琴海大学）
在分布式环境中，如何将自主节点的知识和信念结合起来是一个重大的挑战。在本文中，我们认为同行结合本体论和原因，共同与他们的耦合知识。本体论是描述逻辑的SHIQ片段。虽然有几个表示框架的模块化描述日志- ICS，每一个作出至关重要的假设有关的主观性同行的知识，域之间的关系，本体论的解释，表达的构造器用于结合知识，和方式同行共享他们的知识。然而，在自主同伴可以独立于他人发展和扩展他们的知识和信仰的环境中，这些假设可能不成立。在这篇文章中，我们动机需要一个表示框架，允许同行以各种方式结合他们的知识，保持自己的知识和信念的主观性，并协同推理，构建一个分布在他们之间的画面，联合。本文提出了E-SHIQ表示框架，实现了E-SHIQ分布式Tableau推理机，并讨论了该推理机的效率。
2013-10-09 cs.AI
Explainable Moral Values: a neuro-symbolic approach to value classification
University of Pisa（比萨大学）；National Research Council（国家研究委员会）；University of Bologna（博洛尼亚大学）；Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（RUDN大学））；Joint Institute for Nuclear Research（联合核子研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）
本研究提出结合本体推理与机器学习的神经符号方法，利用sandra推理器和开源大语言模型实现可解释的道德价值观分类，结合分布式语义后显著优于所有基线模型。
2024-10-16 cs.AI cs.LG
First steps in the logic-based assessment of post-composed phenotypic descriptions
Universitat Jaume I de Castelló（卡斯特利翁海梅一世大学）；European Bioinformatics Institute（欧洲生物信息研究所）；University of Oxford（牛津大学）
在本文中，我们提出了一个初步的逻辑为基础的评估整合后组成的表型描述与领域本体。评价已经进行了使用描述逻辑推理与可扩展的技术：本体模块化和本体之间的逻辑差异的近似。
2010-12-08 cs.AI cs.LO
Tractable Reasoning and Conjunctive Query Answering for Defeasible DL-Lite under Rational Closure
Istituto di Scienza e Tecnologie dell’Informazione, CNR - ISTI（意大利科学与技术信息研究所，CNR-ISTI）；University of Cape Town and CAIR（开普敦大学和CAIR）
本文研究理性闭包在DL-Lite轻量级描述逻辑核心与Horn变体上的应用，提出一种基于经典推理器的插件架构，实现高效推理与合取查询回答。
2026-06-24 cs.AI
Probabilistic DL Reasoning with Pinpointing Formulas: A Prolog-based Approach
Università di Ferrara（费拉拉大学）
在对现实世界的域进行建模时，我们必须处理不完整的信息或来自不同信任级别的信息。这激发了管理语义Web中不确定性的需求。为此，我们引入了一个概率语义，命名为DISPONTE，以结合描述逻辑与概率论。然后，可以通过构建二元决策图（BDD）从其解释集合中计算查询的概率。可以使用tableau算法找到解释集，该算法必须处理非确定性。Prolog语言由于其对非确定性的有效处理，适合于实现tableau算法。TRILL和TRILP是提供Tableau算法的Prolog实现的系统。TRILLP建立了一个精确定位公式，该公式表示解释集，可以直接转换为BDD。这两个推理机都表现出优于最先进的DL推理机。在本文中，我们提出了一个改进的TRILP，命名为TORNADO，其中的BDD是直接建立在建设的tableau，进一步加快整体推理过程。实验比较表明了TORNADO的有效性。所有系统都可以在TRILL on SWISH Web应用程序www.example.com上在线试用。
2019-04-01 cs.AI
Semantic Reasoning with Differentiable Graph Transformations
QBE Europe（QBE欧洲）
本文介绍了一种可区分的语义推理，其中的规则作为一个相关的一组图转换。这些规则可以手动编写，也可以通过一组作为训练集呈现的事实和目标来推断。虽然内部表示在潜在空间中使用嵌入，但每个规则都可以表示为符合描述逻辑子集的谓词集。
2021-07-20 cs.AI cs.SC
Exploiting Uncertainty for Querying Inconsistent Description Logics Knowledge Bases
本文利用DISPONTE概率语义处理描述逻辑知识库的不一致性问题，在TRILL和BUNDLE推理器中实现并验证，并与修复语义进行形式化比较。
2025-08-04 cs.AI cs.LO
To Neuro-Symbolic Classification and Beyond by Compiling Description Logic Ontologies to Probabilistic Circuits
University of Pisa（比萨大学）；University of Bologna（博洛尼亚大学）；University of Edinburgh（爱丁堡大学）
通过将描述逻辑本体编译为概率电路，实现神经符号分类与知识表示的深度融合，提升演绎推理效率和预测一致性。
2026-01-21 cs.AI
Automated reasoning support for Standpoint-OWL 2
Technische Universität Dresden（德累斯顿工业大学）
该研究提出一种支持多立场知识建模与推理的工具，通过将立场增强版描述逻辑SROIQ翻译为经典版本，复用现有推理器实现Standpoint-OWL 2的自动推理。
2023-04-30 cs.AI cs.LO
Cleaning Inconsistent Data in Temporal DL-Lite Under Best Repair Semantics
LIPADE, Université de Paris（巴黎大学LIPADE实验室）
在本文中，我们解决的问题，处理不一致的数据在时态描述逻辑（TDL）知识库。考虑到知识库的数据部分作为随着时间的推移不一致的来源，我们提出了一个ABox修复方法。这是在TDL知识库中处理修复的第一项工作。要做到这一点，我们的目标是双重的：1）检测时间不一致性和2）提出一个数据的时间修复。对于不一致性检测，我们提出了一种减少的方法，从TDL DL DL，它允许提供一个紧密的NP-完全的上限TDL概念可满足性，并使用高度优化的DL推理机，可以带来精确的解释（不一致的数据断言集）。此后，根据获得的解释，我们提出了一种基于允许的刚性谓词和断言的时间顺序自动计算时间设置中的最佳修复的方法。
2021-08-30 cs.AI
A Novel Approach to Multimedia Ontology Engineering for Automated Reasoning over Audiovisual LOD Datasets
Flinders University（弗林德斯大学）
多媒体推理，这是适合于，除其他外，多媒体内容分析和高层次的视频场景解释，依赖于所表示的知识域的正式和全面的概念化。然而，大多数多媒体本体论在角色定义方面并不详尽，并且不包含复杂的角色包含和角色相互依赖性。事实上，大多数多媒体本体根本没有角色盒，并且仅实现可用逻辑构造器的基本子集。因此，它们在多媒体推理中的应用是有限的。为了解决上述问题，VidOnt，第一个具有SROIQ（D）表达性和DL安全规则的多媒体本体已经被引入下一代多媒体推理。与通常的做法相反，正式的基础已经设置在最具表现力的描述逻辑之一，并与行业领先的推理机，即HermiT和FaCT++验证本体。本文还介绍了开发多媒体本体的最佳实践，基于我的本体工程方法。
2016-08-26 cs.AI
Generating Concurrent Programs From Sequential Data Structure Knowledge Using Answer Set Programming
The University of Texas at Dallas（得克萨斯大学达拉斯分校）
我们解决的问题，自动设计并发数据结构操作给定的顺序数据结构规范和知识的并发行为。即使在最简单的情况下，设计并发代码也是一项重要的任务。人类通常通过将顺序版本转换为各自的并发版本来设计并发数据结构操作。这需要理解数据结构、其顺序行为、并发执行期间的线程交互以及共享内存同步原语。我们使用自动化的常识推理来机械化这个设计过程。我们假设数据结构描述作为公理与其代数运算的顺序代码一起提供。此信息用于自动导出该数据结构的并发代码，例如链表和二叉搜索树的字典操作。在我们的案例中，知识是使用答案集编程（ASP）来表达的，我们在推理中使用演绎和溯因推理（就像人类一样）。ASP允许指针数据结构、运行时线程交互和共享内存同步的一阶理论的简洁建模。我们的推理机可以系统地做出与人类推理机相同的判断，同时构建可证明安全的并发代码。我们提出了几个推理的挑战，涉及到转换的顺序数据结构到其等效的并发版本。所有的推理任务都是用ASP编写的，我们的推理机可以做出正确的判断，将顺序代码转换为并发代码。据我们所知，我们的工作是第一个使用常识推理自动转换为并发代码的顺序程序。我们还开发了一个工具，我们描述，依赖于国家的最先进的ASP求解器，并执行推理任务，涉及到生成并发代码。
2021-09-17 cs.AI cs.LO cs.PL
Defeasible Reasoning in OSCAR
这是OSCAR可废止推理器的系统描述。
2000-03-06 cs.AI
A New Tractable Description Logic under Categorical Semantics
Université Sorbonne Paris Nord, Sorbonne Université, INSERM, Limics（巴黎-萨克雷大学、索邦大学、国家医学研究院、Limics）
本文提出一种扩展EL的逻辑，通过弱化否定来保留可计算性，同时引入范畴语义以处理负知识。
2026-03-19 cs.AI cs.LO
Finding Good Proofs for Description Logic Entailments Using Recursive Quality Measures (Extended Technical Report)
TU Dresden（德累斯顿工业大学）
基于逻辑的人工智能方法的优势在于，它们的行为原则上可以向用户解释。例如，如果一个描述逻辑推理器推导出一个触发整个系统的某个动作的结果，那么人们可以通过在适当的演算中给出该结果的证明来解释这样的蕴涵。如何理解这样的证明不仅取决于所采用的演算，而且还取决于特定证明的属性，例如其整体大小，其深度，所采用的句子和证明步骤的复杂性等。一个给定的证明质量的措施。而不是调查这个问题的一个固定的证明演算和一个固定的措施，我们的目标是一般的结果，持有广泛的类演算和措施。在以前的工作中，我们首先将注意力限制在使用证明大小来衡量证明质量的设置上。然后，我们将该方法扩展到更一般的设置，但没有涵盖证明深度等重要措施。在本文中，我们提供的一类措施称为递归的结果，产生较低的复杂性，也包括证明深度。此外，我们填补了我们以前的工作中留下的一些空白，从而提供了复杂性景观的全面画面。
2022-05-25 cs.AI cs.LO
How to Agree to Disagree: Managing Ontological Perspectives using Standpoint Logic
TU Dresden（德累斯顿工业大学）
在处理知识问题时，考虑到个人的、可能相互冲突的观点的重要性已得到广泛认可。许多现有的本体管理方法完全合并的知识的角度来看，这可能需要削弱，以保持一致性，其他代表不同的意见，在一个完全分离的方式。作为一种替代方案，我们提出了立场逻辑，一个简单的，但多功能的多模态逻辑“附加”现有的KR语言的综合表示领域知识相对于不同的，可能相互冲突的立场，这可以分层组织，组合，并把彼此的关系。从一阶立场逻辑（FOSL）的通用框架开始，我们随后将注意力集中在重复公式的片段上，为此我们提供了一个多时翻译成无立场版本。这一结果产生的可判定性和有利的复杂性的各种高度表达的可判定片段的一阶逻辑。使用一些精心设计的编码技巧，我们然后建立一个类似的翻译非常富有表现力的描述逻辑SROIQb_s的OWL 2 DL本体语言。凭借这一结果，现有的高度优化的OWL推理机可用于为通过立场建模扩展的本体语言提供实用的推理支持。
2022-08-01 cs.AI
DeFind: A Protege Plugin for Computing Concept Definitions in EL Ontologies
Institute of Mathematics, Novosibirsk State University（新西伯利亚国立大学数学研究所）；Institute of Informatics Systems, Novosibirsk State University（新西伯利亚国立大学信息系统研究所）
我们介绍了一个扩展的Protege本体编辑器，它允许发现概念定义，这是不明确存在的公理，但逻辑上隐含的本体。该插件支持在描述逻辑EL中制定的本体，该描述逻辑EL支持Web本体语言的OWL 2 EL配置文件，尽管其有限的表达能力捕获了Web上发布的大多数生物医学本体。所开发的工具允许验证是否可以使用用户指定的感兴趣的词汇定义一个概念。特别是，它允许决定是否可以省略一些词汇项目在制定一个复杂的概念。相应的定义被呈现给用户，并被提供有由本体推理器生成的解释。
2018-10-10 cs.AI cs.LO
Answering Fuzzy Conjunctive Queries over Finitely Valued Fuzzy Ontologies
Technische Universität Dresden（德累斯顿工业大学）；National and Kapodistrian University of Athens（雅典国立卡波迪斯特里安大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
模糊描述逻辑（DLs）提供了一种表示关于应用领域的模糊知识的方法。本文研究了基于有限真度链的DL $\mathcal{SROIQ}$上合取查询的模糊扩展。为了回答这样的查询，我们扩展了一个众所周知的技术，减少了模糊本体的经典之一，并使用经典的DL推理机作为一个黑盒子。我们提高了以前的减少技术的复杂性，为n-valued模糊DL，这使我们能够证明严格的复杂性结果，回答某些类型的模糊CQ。最后，我们的原型实现的实验评估，显示我们的方法的可行性。
2015-10-14 cs.AI cs.LO
A Practical Acyclicity Notion for Query Answering over Horn-SRIQ Ontologies
Wright State University（莱特州立大学）
合取查询回答表达霍恩描述逻辑本体是一个相关的和具有挑战性的问题，在某些情况下，可以解决的应用程序的追逐算法。在本文中，我们定义了一个新的无环性的概念，它提供了一个充分条件，终止限制追逐Horn-SRIQ T盒。我们表明，这一概念概括了大多数现有的无环性条件（理论和经验）。此外，这个新的非循环概念产生了一个非常有效的推理过程。我们为此提供了证据，提供了一个基于物化的推理机的非循环本体，优于其他国家的最先进的系统。
2018-04-19 cs.AI cs.DB cs.LO
Complexity Results and Practical Algorithms for Logics in Knowledge Representation
描述逻辑（DL）用于基于知识的系统中，以语义定义良好的方式表示和推理应用领域的术语知识。在这篇论文中，我们建立了一些新的复杂性结果，并给出了实用的算法，表达DL提供不同形式的计数量词。我们发现，在许多情况下，添加本地计数的形式，合格的数量限制DL不增加推理问题的复杂性，即使假设输入中的数字的二进制编码。另一方面，我们表明，添加不同形式的全球计数限制的逻辑可能会增加推理问题的复杂性显着。我们提供了精确的复杂性结果和一个实用的，基于表格的算法的DL SHIQ，这形成了高度优化的DL系统iFaCT的基础。最后，我们描述了一个表格算法的集团保护片段（CGF），我们希望将作为一个有效的实现CGF推理的基础。
2001-06-13 cs.AI cs.LO
Leveraging Knowlegde Graphs for Interpretable Feature Generation
SAP Labs Paris（思爱普巴黎实验室）；Université Paris Cité（巴黎西岱大学）
提出KRAFT框架，利用知识图谱指导生成可解释特征，结合神经生成器与基于知识的推理器，通过深度强化学习训练，在真实数据集上显著提升准确率并确保高可解释性。
2024-06-01 cs.AI cs.LG
Using Ontologies for the Formalization and Recognition of Criticality for Automated Driving
Robert Bosch GmbH（罗伯特·博世有限公司）；RWTH Aachen（亚琛工业大学）；ika（ika（亚琛工业大学汽车研究所））
知识表示和推理在研究如何通过机器对知识进行形式化、解释和语义分析方面有着悠久的历史。在自动驾驶汽车领域，最新的进展表明，有能力将相关知识正规化和利用，作为处理交通世界固有的开放和复杂背景的关键推动因素。本文证明本体论是一个强大的工具，a）建模和形式化和b）推理与自动驾驶汽车的环境中的关键性相关的因素。为此，我们利用众所周知的6层模型来创建环境背景的正式表示。在这种表示中，本体将领域知识建模为逻辑公理，从而能够推断交通场景和场景中的关键因素的存在。为了执行自动化分析，联合描述逻辑和规则推理器与先验谓词增强相结合使用。我们详细阐述了模块化的方法，提出了一个公开的实现，并通过一个大规模的无人机数据集的城市交通场景的方法进行评估。
2022-07-05 cs.AI cs.LO
A hierarchy of faithfulness criteria for knowledge base completion
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对知识库补全，提出四个递进的逻辑忠实性标准并证明其蕴含关系，基于相对模型计数定义最强标准，实验表明现有嵌入模型排名准确但不忠实。
2026-09-24 cs.AI
PIE-APT: Abductive Planning over Temporal Dynamic Knowledge Graphs via Incremental Reasoning
Najm（纳吉姆）；Tafresh University（塔夫雷什大学）
该研究提出统一框架PIE-APT，含PIE-Abducer与PIE-APT模块，通过增量直接推导溯因解决动态知识图谱规划与矛盾检测问题，在OWL基准上优于经典规划器与MHS基线。
2026-09-03 cs.AI cs.LO
PyGraft: Configurable Generation of Synthetic Schemas and Knowledge Graphs at Your Fingertips
Université de Lorraine（洛林大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；ERPI；LORIA；I3S
针对现有知识图谱基准数据集有限、数据敏感领域数据获取困难的问题，研究提出Python工具PyGraft，可在单一流水线中生成含多种RDFS/OWL构造的定制化跨领域模式与模拟真实特征规模的知识图谱，经DL推理机保障逻辑一致性，助力更全面的模型评估。
2024-03-05 cs.AI cs.SE
Patho-R1: A Multimodal Reinforcement Learning-Based Pathology Expert Reasoner
Department of Pathology, West China Hospital, Sichuan University（四川大学华西医院病理科部门）；Institute of Clinical Pathology, West China Hospital, Sichuan University（四川大学华西医院临床病理科研究所）；University of Toronto（多伦多大学）；Business School, Sichuan University（四川大学商学院）；Department of Pathology, Shengjing Hospital of China Medical University（中国医科大学盛京医院病理科部门）
本文提出Patho-R1，通过构建高质量推理导向数据集，结合三阶段训练流程提升病理推理能力，实现跨模态任务的鲁棒性能。
2025-06-17 cs.AI cs.CV
Bridging Commonsense Reasoning and Probabilistic Planning via a Probabilistic Action Language
Arizona State University（亚利桑那州立大学）；SUNY Binghamton（纽约州立大学宾汉姆顿分校）
为了响应动态变化的现实世界环境，智能代理需要执行复杂的顺序决策任务，这些任务通常由常识知识指导。在这方面的研究导致了称为“交错常识推理和概率规划”（icorpp）的框架，它使用P-log表示常识知识和马尔可夫决策过程（MDP）或部分可观察MDP（POMDP）在不确定性下进行规划。icorpp的一个主要限制是它的实现需要非平凡的工程努力来桥接常识推理和概率规划形式主义。在本文中，我们提出了一个统一的框架，集成icorpp的推理和规划组件。特别是，我们扩展了概率动作语言pBC+来表达效用，信念状态和观察POMDP模型。继承动作语言的优点，新的动作语言提供了一个详细的宽容表示POMDP，反映常识知识。这个想法导致了系统pbcplus 2 pomdp的设计，它将pBC+动作描述编译成POMDP模型，该模型可以直接由现成的POMDP求解器处理，以计算pBC+动作描述的最佳策略。实验结果表明，该方法保留了icorpp的优点，同时避免了在常识推理器和概率规划器之间进行人工连接。
2019-07-31 cs.AI
Too much evidence, too little time: From text to actionable recommendations through multi-objective evidence reasoning
该研究针对临床决策中证据过多难审查的问题，提出SCEPTER框架，结合多种技术将临床病例描述转化为建议，经150个案例研究评估，能大幅压缩搜索空间，留存证据多样，基于帕累托的选择提升了证据多样性和建议效用。
2026-07-28 cs.AI cs.IR
Legal2LogicICL: Improving Generalization in Transforming Legal Cases to Logical Formulas via Diverse Few-Shot Learning
Center for Juris-Informatics, ROIS-DS（法信息学中心，ROIS-DS）；Japan Advanced Institute of Science and Technology（日本先端科学技术大学）
本文提出Legal2LogicICL框架，通过检索增强生成实现有效上下文学习，构建信息丰富且稳定的少量样本演示，提升法律案例转逻辑表示的准确性与稳定性。
2026-04-13 cs.AI cs.CL cs.LG
