Large Language and Reasoning Models are Shallow Disjunctive Reasoners
Cardiff University（卡迪夫大学）
本文通过定性时空推理任务研究大型推理模型的分布外泛化能力，发现零样本LRMs仅在单路径推理中优于LLMs，在多路径设置下均表现不佳，并揭示其本质是浅层析取推理器。
2025-06-02 cs.AI cs.CL cs.LG
Disjunctive Datalog with Existential Quantifiers: Semantics, Decidability, and Complexity Issues
University of Calabria（卡拉布里亚大学）
Datasheet是最著名的基于规则的语言之一，它的扩展在广泛的应用环境中使用。一个重要的数据库扩展是析取数据库，它显著提高了基本语言的表达能力。析取数据库在广泛的应用中是有用的，从数据库（例如，数据集成）到人工智能（例如，不完全知识下的诊断和规划）。然而，近年来，基于数据的语言的一个重要缺点变得明显，例如在数据集成（一致的查询-应答，基于本体的数据访问）和语义Web应用程序的背景下：该语言不允许以明显的方式生成和推理未命名的个体。一般来说，它在支持存在量化的许多情况下是弱的。为了克服这个问题，最近提出了Datalogex，它通过规则头中的存在量化扩展了传统的Datalogex。在这项工作中，我们提出了一个自然的扩展析取数据库和Datalogex，称为Datalogexor，它允许在规则头的析取和存在量化，因此是一个有吸引力的语言知识表示和推理，特别是在领域中，基于本体的推理是必要的。我们正式定义的语言Datalogexor的语法和语义，并提供了一个概念的实例化，我们证明是足够的Datalogexor。Datalogex和Datalogexor的一个主要问题是，典型的推理任务不再保证可判定性。为了解决这个问题，我们确定了许多可判定的语言片段，扩展，在一个自然的方式，在非析取情况下定义的模拟类。此外，我们进行了深入的复杂性分析，得出有趣的结果，范围从对数空间到指数时间。
2012-10-08 cs.AI cs.LO
Default reasoning over domains and concept hierarchies
W.C.圆和G。- Q. Zhang（2001）提出研究一种推广到代数域的析取逻辑编程形式。该系统允许推理的信息是分层结构，并形成一个（合适的）域。我们扩展这个框架，包括推理与默认否定，从而产生一个新的非单调推理框架的层次知识，其中包括答案集编程与扩展的析取逻辑程序。我们还表明，层次结构的知识，编程在这种模式下可以做的，产生非常自然的正式概念分析。总之，我们得到了一个默认的推理范式的概念知识，这是根据非单调推理的主流发展。
2004-09-01 cs.AI cs.LO
Backdoors to Normality for Disjunctive Logic Programs
Vienna University of Technology（维也纳工业大学）
在过去的二十年里，命题可满足性（SAT）已经成为解决NP完全问题的最成功和最广泛应用的技术之一。本文的目的是从理论上研究如何利用SAT有效地解决比NP或co-NP更难的问题。特别是，我们认为命题析取答案集编程（ASP），勇敢推理和怀疑推理，问一个给定的原子是否包含在至少一个或所有答案集，分别基本的推理问题。这两个问题都位于多项式层次的第二层，因此被认为比NP或co-NP更难。人们不能在多项式时间内将这两个推理问题转换为SAT，除非多项式层次崩溃。我们表明，某些结构方面的析取逻辑程序可以用来突破这一复杂性障碍，使用新的技术参数化的复杂性。特别是，我们展示了从勇敢和怀疑推理到SAT的转换，其运行时间为O（2^kn^2），其中k是实例的结构参数，n是输入大小。换句话说，对于参数k，约简是固定参数可处理的。作为参数k，我们取相对于正常类的最小后门的大小（即，无析取）程序。这样的后门是一组原子，当被删除时，它使程序正常。因此，当将问题从多项式层次的第二级转换到第一级时所预期的组合爆炸现在可以被限制在参数k，而约简的运行时间在输入大小n中是多项式的，其中多项式的阶数与k无关。
2013-05-02 cs.AI cs.CC cs.LO
DLV - A System for Declarative Problem Solving
DLV是一个高效的逻辑编程和非单调推理（LPNMR）系统，具有先进的知识表示机制和经典关系数据库系统的接口。它的核心语言是具有完整性约束的答案集语义（Answer Set Semantics）下的析取数据库（无函数析取逻辑编程），包括默认和强（或显式）否定以及查询。还支持算术运算和各种内置谓词。此外，DLV有几个前端，即勇敢和谨慎的推理，溯因诊断，基于一致性的诊断，SQL 3的一个子集，使用动作语言进行规划，以及使用继承进行逻辑编程。
2000-03-08 cs.AI cs.LO
Language Agents Mirror Human Causal Reasoning Biases. How Can We Help Them Think Like Scientists?
New York University（纽约大学）；McGill University（麦吉尔大学）；Mila - Quebec Artificial Intelligence Institute（魁北克人工智能研究所）；CIFAR Learning in Machines and Brains Program（CIFAR 机器与大脑学习计划）；The University of Utah（犹他大学）
本研究采用Blicket Test范式发现语言模型存在类似人类的因果推理析取偏差，且该偏差跨模型规模和提示策略普遍存在，同时提出测试时采样方法有效降低偏差，推动模型向科学严谨的因果推理发展。
2025-10-05 cs.AI cs.CL
The DLV System for Knowledge Representation and Reasoning
本文介绍了DLV系统，它被广泛认为是最先进的实现析取逻辑编程，并解决几个方面。对于问题求解，给出了其核心语言的形式化定义，即无函数的析取逻辑程序（也称为析取数据库），并通过弱约束进行了扩展，是表达优化问题的有力工具。然后，我们说明了使用DLV作为知识表示和推理的工具，描述了一种新的声明式编程方法，它允许一个编码复杂的问题（$Δ^P_3$ -完整的问题）在声明式的方式。在基础方面，我们提供了一个详细的分析DLV的语言的计算复杂性，并通过推导新的复杂性结果，我们绘制了一个完整的图片的复杂性，这种语言和重要的片段。此外，我们说明了DLV系统的一般架构，已受到这些结果的影响。至于应用程序，我们概述了应用程序的前端已经开发的DLV上解决特定的知识表示任务，我们简要介绍了主要的国际项目调查的潜力，该系统的工业开发。最后，我们报告彻底的实验和基准测试，这已经进行了评估系统的效率。实验结果证实了DLV的可靠性，并突出了其在知识管理和信息集成等新兴应用领域的潜力。
2003-09-10 cs.AI cs.LO cs.PL
Modeling Uncertainty and Imprecision in Nonmonotonic Reasoning using Fuzzy Numbers
Indian Statistical Institute（印度统计研究所）；Jadavpur University（贾达普大学）
为了处理推理中的不确定性，区间值逻辑被发展起来。但是，统一的区间不能捕捉区间中不同值的置信度差异。为了解决这个问题，三角形和梯形模糊数被用作真值集以及传统的区间。在定义于$[0,1]$上的模糊数集合上定义了基于前序的真值和知识序。基于这一增强的认知状态集，开发了一个答案集框架，并适当定义了逻辑连接词。这种框架在规则可能包含例外的非单调环境下，对具有模糊和不确定信息的知识表示和推理是有效的。
2020-01-03 cs.AI
A Unified Framework for Nonmonotonic Reasoning with Vagueness and Uncertainty
Indian Statistical Institute（印度统计研究所）；Jadavpur University（贾达夫普尔大学）
针对模糊和不确定信息下的非单调推理问题，提出了一种区间值模糊答案集规划方法。$[0,1]$的子区间集被认为是真值空间。使用基于前序的真值和知识排序对区间进行排序。基于前序的排序是基于双格的排序的增强版本。该系统可以表示和推理优先规则，规则与例外。提出了一种计算答案集的迭代法。利用差分方程的概念，给出了一类逻辑程序迭代终止的充分条件。
2020-08-05 cs.AI
Interval-Based Decisions for Reasoning Systems
本文着眼于决策与区间值概率措施。现有的决策方法要么补充期望效用方法与其他标准的最优性，或试图补充区间值的措施。我们提倡一种新的方法，它使以下问题变得毫无意义：1。使用哪些附加标准，以及2.间隔应该有多宽为了实现这一方法，我们需要更多的认识论信息。这种信息可以通过接受规则产生，并带有允许对错误采取各种态度的参数，或者可以简单地声明。在草图中，论点是：1。概率区间在All中是有用和自然的。系统; 2.较宽的区间可以避免错误，但在某些风险敏感的决策中是无用的; 3.如果不那么谨慎，则可以获得更窄的间隔; 4.如果知识体系可以按照其谨慎程度来排序，则应该使用那些有用的知识体系中最谨慎的可接受的知识体系来执行决策分析。由此产生的行为不同于行为概率论者（贝叶斯），因为在建议中，5。基于连续知识体的区间并不总是嵌套的; 6.如果代理人使用特定决策的概率，则她不需要承诺用于信任或未来决策的该概率;以及7.可能没有可接受的有用的知识体系;因此，有时没有规定作出任何决定。
2013-03-27 cs.AI
A New Rational Algorithm for View Updating in Relational Databases
RWTH Aachen（亚琛工业大学）；University of Bonn（波恩大学）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。为了将信念动力学理论的合理性结果应用到各种实际问题中，它应该在两个方面进行推广：第一，它应该允许信念的某一部分被声明为不变的;第二，信念状态不需要是演绎封闭的。本文提出了这样一种广义的信念动力学，称为基地动力学，随着知识库（霍恩或霍恩逻辑分层否定）的广义修正算法的概念。我们表明，知识库动态有一个有趣的连接，通过击中集和绑架的内核变化。在本文中，我们将展示如何从析取逻辑编程技术可以用于有效的（演绎）数据库更新。其核心思想是将给定的数据库连同更新请求一起转换成一个析取（数据库）逻辑程序，并应用析取技术（如最小模型推理）来解决原始的更新问题。该方法扩展并集成了标准技术，以实现高效的查询应答和完整性检查。一个击中集的生成是通过一个超tableaux演算和魔术集，专注于最小的目标。
2014-07-13 cs.AI cs.DB
Reasoning with Intervals on Granules
线性时间模型中的时间段的形式化通常基于区间的概念，区间可能包含也可能不包含其端点。这是不够的，当周期是写在粗粒度方面的事件考虑。例如，如何用{ \em years}间隔来表示两次世界大战之间的时期？本文提出了一种新的区间类型，既不是开的，也不是闭的，也不是开-闭的，并对这种新的区间类型的运算进行了扩展，以缩小与时间关系相关的话语与其转换为离散化的时间模型之间的差距。
2006-07-12 cs.AI cs.DM
A Symbolic Approach to Reasoning with Linguistic Quantifiers
Institut de Recherche en Informatique de Toulouse（图卢兹计算机科学研究所）；Institut d'Investigacio en Intelligencia Artificial（人工智能研究所）；C.N.R.S.（法国国家科学研究中心）；Universite Paul Sabatier（保尔·萨巴蒂埃大学）；CEAB-CSIC（高级研究中心-西班牙国家研究委员会）
本文研究了概率逻辑中概率用语言量词表示时进行自动推理的可能性。每一个语言术语都被表示为一个规定的比例区间。然后，而不是传播的数字，定性的条款传播根据这些条款的数值解释。在这种情况下，量化的三段论，建模的概率规则链，研究。它表明，定性对应的这种三段论是有意义的，是相对独立的阈值定义的语言有意义的间隔，只要这些阈值仍然符合直觉。推理能力低于一个成熟的概率conquaint传播设备，但更好地对应于什么可以被认为是常识概率推理。
2013-03-13 cs.AI
Bayesian Elicitation with LLMs: Model Size Helps, Extra "Reasoning" Doesn't Always
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
本文研究了LLM在贝叶斯 elicitation中的表现，发现更大模型更准确，但增加推理不总是有帮助。所有模型严重过度自信，95%置信区间覆盖真实值比例远低于预期，统计校准技术可修正此问题。
2026-04-02 cs.AI
GeoDecider: An Evidence-Grounded Agent for Geological Interpretation via Deliberative Reasoning
University of Science and Technology of China（中国科学技术大学）；iFLYTEK Research（讯飞研究院）
针对地质解释任务中不同地下单元测井响应相似、准确解释依赖多因素且现有方法固定流程的问题，提出GeoDecider智能体，先数值预测，再对困难区间工具辅助推理，经构建证据概况等流程，实验证明其优于基线，凸显相关方法的价值。
2026-07-28 cs.AI
OrLog: Resolving Complex Queries with LLMs and Probabilistic Reasoning
Radboud University（拉德堡德大学）；Eindhoven University of Technology（埃因霍温理工大学）；University of Amsterdam（阿姆斯特丹大学）
OrLog通过结合LLM和概率推理，实现约束感知的高效检索，提升查询精度并减少token消耗。
2026-01-30 cs.AI cs.IR
A Temporal Description Logic for Reasoning about Actions and Plans
ITC-IRST；University of Manchester（曼彻斯特大学）
提出了一类基于区间的时态语言，用于统一表示和推理动作和计划。行动是通过描述行动本身发生时的真实情况来表示的，计划是通过将行动和世界状态在时间上联系起来来构建的。时态语言是描述逻辑家族的成员，其特征在于高表达性与良好的计算特性相结合。研究了一类时态描述逻辑的包含问题，给出了合理而完备的判定过程。首先考虑基本语言TL-F：它是时态逻辑TL（能够表示区间时态网络）与非时态逻辑F（特征描述逻辑）的组合。证明了该语言中的包容是一个NP完全问题。然后展示了如何使用表达能力更强的语言TLU-FU和TL-ALCF进行推理。前者在语言的时间和非时间侧都添加了析取，后者用集值特征扩展了非时间侧（即，角色）和命题完整的语言。
2011-05-27 cs.AI
Is More Context Always Better? Examining LLM Reasoning Capability for Time Interval Prediction
Walmart Global Tech（沃尔玛全球技术）
本文研究LLM在时间间隔预测中的推理能力，发现尽管LLM在某些任务中表现良好，但其在捕捉定量时间结构方面存在局限，且过多上下文反而可能降低性能。
2026-01-26 cs.AI cs.LG
Temporal Reasoning About Uncertain Worlds
Yale University（耶鲁大学）
我们提出了一个程序，管理一个数据库的时间范围内的信念。该系统的基本功能包括维护时间点之间的约束网络，支持各种提取，调解因果规则的应用，监控添加新事实的时间间隔，以及管理保持数据库一致的数据依赖关系。在这个层次上，系统独立于任何信念或信念演算的度量而运行。我们提供了一个应用程序如何使用这个功能来实现一个信念演算的例子。
2013-03-27 cs.AI
Improved Algorithms for Allen's Interval Algebra by Dynamic Programming with Sublinear Partitioning
Linköpings Universitet（林雪平大学）
本文提出亚线性划分动态规划新框架，将Allen区间代数的求解复杂度改进到$O^*((\frac{cn}{\log{n}})^{n})$，并成功应用于基数方向点代数，显著推进NP难定性推理问题的算法水平。
2023-05-25 cs.AI cs.CC
Interval Logic Tensor Networks
Sony AI（索尼人工智能）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Trento（特伦托大学）
本文提出区间实逻辑（IRL）和区间逻辑张量网络（ILTN），通过模糊逻辑和梯形模糊区间解释序列与事件属性，利用softplus激活函数平滑化区间与时间关系以支持梯度学习，在合成任务中成功利用背景时间知识预测事件的模糊持续时间。
2023-03-31 cs.AI
Allen's Interval Algebra Makes the Difference
Aalto University（阿尔托大学）；Tampere University（坦佩雷大学）
Allen的区间代数构成了一个以定性方式推理时间信息的框架。特别地，它使用间隔，即，时间轴上的端点对，以表示与动作、事件或任务相对应的实体，以及诸如在前和重叠的二元关系，以编码这些实体之间的可能配置。艾伦的微积分在许多学术和工业应用中找到了自己的方式，最常见的是计划和调度，时态数据库和医疗保健。在本文中，我们提出了一种新的编码区间代数使用答案集编程（ASP）扩展的差异约束，即，的片段缩写为ASP（DL），并通过初步的实验评估证明其性能。虽然为了清晰起见，我们的ASP编码是在Allen演算的情况下提出的，但我们建议也可以为其他基于点的演算设计类似的编码。
2019-09-03 cs.AI
Towards a Normative Theory of Scientific Evidence
SUNY at Buffalo（纽约州立大学布法罗分校）
科学推理系统使用独立实验、命题公理和事件概率约束形式的客观证据做出决策。作为实现这一目标的第一步，我们提出了一个系统，从这些形式的客观证据中得出概率区间。我们的推理系统可以管理基于规则的专家系统中的数据和规则的不确定性。我们预计我们的系统将特别适用于医学等具有丰富实验证据的领域的诊断和分析。我们讨论了这种解决方案的局限性，并提出了这项研究的未来方向。这项工作可以被认为是Nilsson的“概率逻辑”[Nil86]到区间和实验观察的推广。
2013-03-27 cs.AI
Eight Maximal Tractable Subclasses of Allen's Algebra with Metric Time
本文结合了时间推理的两个重要研究方向：寻找Allen区间代数的极大易处理子类和利用度量时间信息进行推理。本文给出了Allen区间代数的八个新的极大易处理子类，其中一些包含了已有的易处理代数。代数允许度量的时间限制区间的起点或终点，使用最近的框架霍恩DLRs。其中两个代数可以表达区间之间的序列性概念，是第一个既允许定性时间又允许度量时间的代数。
1997-07-01 cs.AI
Temporal Reasoning without Transitive Tables
LIPN UMR 7030 (Universit\'e Paris 13 et CNRS)\ .
定性时态信息的表示和推理是许多人工智能任务的重要组成部分。在文献中已经提出了许多模型来表示这种时间信息。所有这些都源自基于点或基于区间的框架。在这些框架的应用中出现的一个基本推理任务由以下方案给出：给定一些时间对象之间的二元关系的可能不确定和不完整的知识，找到所有这些对象之间的一致性关系。所有这些模型都需要传递表-或类似的推理规则-来解决这些任务。我们已经定义了一个替代模型，S-语言-来表示定性的时间信息，只有两个关系的\emph{precedence}和\emph{simultaneity}的基础上。在本文中，我们将展示如何使用此模型来避免传递表或推理规则来处理此类问题。
2007-06-09 cs.AI
A Multivariate Complexity Analysis of Qualitative Reasoning Problems
Linköpings Universitet（林雪平大学）
定性推理是人工智能的一个重要分支，其中人们用定性关系而不是数值关系来描述关系。许多这样的推理任务，例如，Allen的区间代数可以在$2^{O(n \cdot \log n)}$时间内求解，但单指数运行时间$2^{O(n)}$目前还远远达不到。在本文中，我们考虑通过由细粒度参数$n$（例如，变量的数量）和预期相对较小的粗粒度参数$k$。我们引入了$f(k) \cdot 2^{O(n)}$中可解问题的类FPE和XE，分别是$f(k)^n$和时间，并证明了这些类的几个基本性质。我们继续通过研究时间推理问题和（1）表明，有效宽度$k$的偏序时间问题是可解的$16^{kn}$时间，因此包括在XE，和（2）的网络一致性问题的艾伦的区间代数没有间隔重叠超过$k$其他是可解的$(2nk)^{2k} \cdot 2^{n}$时间，并包括在FPE。我们的多元方法是在没有办法限于这些特定的问题，并可能是一个普遍有用的方法获得单指数算法。
2022-09-30 cs.AI cs.CC
Temporal Reasoning in AI systems
针对AI系统演绎闭包有限、无法正确推断流和事件信息的问题，本研究在Cyc知识库中提出鲁棒时间投影的知识表示与推理方案，结合离散生存函数外推流并通过约束截断区间，实验证明其显著提升问答性能。
2025-02-12 cs.AI
Incremental Maintenance of DatalogMTL Materialisations
本文提出DRedMTL算法，用于高效维护DatalogMTL的增量材料化，通过周期性区间处理提升动态更新效率。
2026-02-04 cs.AI
Interval Influence Diagrams
Rockwell International Science Center Palo Alto Laboratory（罗克韦尔国际科学中心帕洛阿尔托实验室）
我们描述了一种机制，用于执行概率推理的影响图使用区间，而不是点值的概率。我们得出的程序节点删除（对应于条件期望）和弧反转（对应于贝叶斯条件）的影响图中的概率下限存储在每个节点。所得到的界限变换图中示出的是最佳的一类约束的概率分布，可以表示为专门的组件的概率图的下限。可以执行这些操作的序列来回答输入中具有不确定性的概率查询，并对影响图执行敏感性分析。这种方法的存储要求和计算复杂性与点值概率推理机制的存储要求和计算复杂性相当，使得该方法对于执行灵敏度分析和概率信息不可用的情况具有吸引力。有限的经验数据的方法的实施提供。
2013-03-27 cs.AI
CDF-Intervals: A Reliable Framework to Reason about Data with Uncertainty
Universität Ulm（乌尔姆大学）
本文提出了一种新的约束域，用于不确定性数据的推理.它扩展了凸建模与p盒的概念，以获得额外的量化信息的数据下落。与现有的方法不同，p-box是一个未知的概率，而不是近似的表示。为了在概率域中采用线性计算，p盒边界是均匀累积分布函数（cdf）。利用p盒cdf区间的推理是一种区间计算，它是在实数域上进行的，然后将其投影到cdf域上。该操作传达由所获得的概率界限表示的附加知识。经验评估表明，以最小的开销，输出的解决方案集实现了一个完整的外壳的数据，其概率分布上的更严格的界限。
2014-05-15 cs.AI cs.LO
The Design and Experimental Analysis of Algorithms for Temporal Reasoning
许多应用程序-从计划和调度到分子生物学问题-都严重依赖于时间推理组件。在本文中，我们讨论了时间推理系统的算法的设计和实证分析的基础上，艾伦的有影响力的基于时间信息的框架。该系统的核心是用于确定时间信息是否一致的算法，并且如果是，则找到与时间信息一致的一个或多个场景。这些任务的两个重要算法是路径一致性算法和回溯算法。对于路径一致性算法，我们开发的技术，可以导致一个已经高度优化的实现高达十倍的加速。对于回溯算法，我们开发变量和值排序算法，经验表明，显着提高算法的性能。此外，我们表明，以前建议的回溯搜索问题的重新表述可以减少回溯搜索的时间和空间要求。两者合计，我们开发的技术允许一个时间推理组件来解决实际规模的问题。
1996-01-01 cs.AI
Characterizing and Extending Answer Set Semantics using Possibility Theory
Universiteit Gent（根特大学）；Cardiff University（卡迪夫大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
答案集编程（ASP）是一个流行的框架建模组合问题。然而，ASP不能很容易地用于推理不确定的信息。可能性ASP（Possibilistic ASP，PASP）是ASP的一种扩展，它结合了可能性逻辑和ASP.在PASP中，权重与每个规则相关联，其中该权重被解释为当已知主体保持时可以建立结论的确定性。因此，它允许我们以直观的方式对不确定信息进行建模和推理。在本文中，我们提出了新的语义PASP，其中规则被解释为可能性分布的约束。这些约束的特殊模型，然后确定为可能性的答案集。此外，由于ASP是一个特殊的情况下，PASP中的所有规则是完全确定的，我们得到了一个新的表征ASP的可能性分布的约束。这使我们能够发现一种新的析取形式，称为弱析取，以前没有在文献中考虑过。除了介绍和激发弱析取的语义，我们还指出其计算复杂性。特别是，虽然大多数推理任务的复杂性符合标准的析取ASP，我们发现，勇敢的推理弱析取程序更容易。
2013-11-30 cs.AI cs.LO
EventCoT: Event-centric Video Chain-of-thought for Reasoning Temporal Localization
Pohang University of Science and Technology（浦项科技大学）；Korea Advanced Institute of Science and Technology（韩国科学技术院）；Handong Global University（韩东国际大学）
提出EventCoT框架解决推理时间定位难题，先对视频进行以事件为中心的分词，再在识别出的事件内推理生成答案，通过嵌入匹配确定时间间隔，在相关任务中取得好结果。
2026-08-12 cs.AI cs.CV
QSTRBench: a New Benchmark to Evaluate the Ability of Language Models to Reason with Qualitative Spatial and Temporal Calculi
School of Computer Science, The University of Leeds（利兹大学计算机科学学院）；The Alan Turing Institute（阿兰·图灵研究院）；Tongji University（同济大学）
本文提出QSTRBench基准，用于评估大语言模型在定性空间和时间推理方面的能力，通过不同推理算法规则的组合性推理、反向关系和概念邻域等任务，展示了不同模型在处理不同算法规则时的表现差异，发现PA最简单而RCC-22最难。
2026-05-18 cs.AI
T-CPDL: A Temporal Causal Probabilistic Description Logic for Developing Logic-RAG Agent
University of Derby（德比大学）
本文提出时序因果概率描述逻辑T-CPDL，扩展传统描述逻辑以处理时间、因果和概率推理，实验证明其显著提升语言模型推理准确性与可解释性，并为Logic-RAG框架奠定基础。
2025-06-23 cs.AI cs.LO
STAIR: Semantic-Temporal Automaton for Interpretable Reasoning in Temporal Question Answering
本文提出STAIR语义-时间自动机，将语义解读与时间推理分离，规则优先设计减少自由推理，在多个时间问答数据集上优于基线，提升了F1值且可解释性更强。
2026-08-18 cs.AI cs.CL
Harmonic Reasoning in Large Language Models
Munich University of Applied Sciences（慕尼黑应用科学大学）
本文评估GPT-3.5和GPT-4o在音程、和弦与音阶等音乐和声推理任务上的表现，发现其擅长音程却难以处理复杂和弦与音阶，并发布自动生成的基准数据集。
2024-09-09 cs.AI cs.CL cs.SD
Multimedia Search and Temporal Reasoning
IBM Research Brazil（IBM巴西研究院）
对随时间变化的动态信息进行适当建模仍然是一个悬而未决的问题。大多数现代知识库无法表示仅在给定时间间隔内有效的关系。在这项工作中，我们回顾了以前的扩展超知识框架来处理时间事实，并提出了一个时间查询语言和引擎。我们通过讨论对石油和天然气行业真实用例建模的定性分析来验证我们的建议。
2019-11-19 cs.AI cs.IR
Signal2Symbol: Neuro-Symbolic Temporal Reasoning for Explainable Physiological Time-Series Anomaly Detection
New York University（纽约大学）；Koc University（科奇大学）
Signal2Symbol通过神经符号框架将生理信号转为符号序列，结合稀有项集挖掘与Allen/FCA推理，实现可解释的时序异常检测与复合时间解释。
2026-09-24 cs.AI cs.LG
On A Semi-Automatic Method for Generating Composition Tables
University of Technology Sydney（悉尼科技大学）；Centre for Quantum Computation and Intelligent Systems（量子计算与智能系统中心）
基于组合的推理起源于Allen的区间代数，是定性时空推理中最流行的推理技术。给定一个定性演算（即一个关系模型），我们首先要做的是建立它的组成表（CT）。在过去的三十年里，这种工作通常是手工完成的。这是不可取的，并且容易出错，因为微积分可能包含数十或数百个基本关系。1995年，Tony Cohn将计算正确的CT确定为计算机科学家的挑战。本文针对这个问题，并介绍了一种半自动的方法来计算CT随机生成的三元组的元素。对于几个重要的定性结石，我们的方法可以在合理的短时间内建立正确的CT。这是说明应用程序的区间代数，区域连接演算RCC-8，INDU演算，和定向点关系代数。我们的方法也可以用来生成CT定义的限制域上的定制的定性结石。
2011-05-21 cs.AI cs.LO
Parameterisation of Reasoning on Temporal Markov Logic Networks
Léonard de Vinci Pôle Universitaire, Research Center（列奥纳多·达·芬奇大学中心研究中心）；Conservatoire National des Arts et Métiers（法国国立工艺学院）
我们的目标是提高推理不一致和不确定的数据。我们专注于知识图谱数据，随着时间间隔的延长，以指定其有效性，正如在历史科学中经常发现的那样。我们提出了有效的最大后验概率推理的语义原则的新的时间马尔可夫逻辑网络（TMLN）扩展的马尔可夫逻辑网络（MLN）的不确定的时间事实和规则。我们检查全部和部分时间（中）的时间公式集之间的一致性关系。然后，我们提出了一个新的时间参数语义，它可以结合几个子功能，允许使用不同的评估策略。最后，我们揭示了语义必须遵守的约束，以满足我们的原则。
2022-11-29 cs.AI cs.SI
Hölder Bounds for Sensitivity Analysis in Causal Reasoning
Duke University（杜克大学）
我们研究了在存在未观察到的混杂因素U的情况下，治疗T对结果Y影响的区间估计。利用Hölder不等式，我们得到了一组关于混杂偏差的界限|E[Y| T=t]-E[Y| do（T=t）]|基于未测量的混杂程度（即，连接的强度U->T，以及U->Y的强度）。当U独立于T或当U独立于给定T的Y时（当没有未观察到的混杂时），这些界限是紧的。我们关注的是这个界依赖于分布p（U）和p（U）之间的总变差距离的一种特殊情况|T=t），以及条件预期结果E[Y]的最大（在U的所有可能值上）偏差|U=u，T=t]与平均预期结果E[Y| T=t]。我们讨论了可能的校准策略，这个界限得到治疗效果的区间估计，并使用合成和半合成数据集的实验验证的界限。
2021-07-09 cs.AI cs.LG stat.ML
Begin, After, and Later: a Maximal Decidable Interval Temporal Logic
University of Verona（维罗纳大学）；University of Murcia（穆尔西亚大学）
区间时态逻辑（Interval Temporal Logic，ITL）是用于对在区间上表达的时态语句进行推理的逻辑，即，一段时间。到目前为止，最著名的ITL研究是Halpern和Shoham的HS，这是十三个Allen间隔关系的逻辑。不幸的是，HS和它的大多数片段都有一个不可判定的可满足性问题。这阻碍了这一领域的研究，直到最近，当一些非平凡的可判定的ITL已经被发现。本文是对HS所有不同片段的完整分类的贡献。我们考虑区间关系Begins、After、Later及其逆Abar、Bbar和Lbar的不同组合。我们从以前的作品中知道，ABBbarAbar组合只有在考虑有限域时才是可判定的（在其他地方是不可判定的），并且ABBbar在自然数上是可判定的。我们扩展这些结果表明，ABBar的可判定性可以进一步扩展到捕获的语言ABBbarLbar，这奠定了ABBar和ABBbarAbar之间，原来是最大的w.r.t强离散线性订单（例如有限订单，自然，整数）的可判定性。我们还证明了建议的决策过程是最佳的复杂性类。
2010-06-08 cs.AI cs.LO
A Temporal Reasoning Benchmarking Framework for LRMs via Difficulty-controlled and Dynamic Test Generation
Huazhong University of Science and Technology（华中科技大学）；National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）
针对语言推理模型定义推理边界和确保可靠性的挑战，引入TRACE框架，将时间推理建模为约束满足问题，构建TRACEBench基准，评估模型，揭示推理问题及规模相关失败模式。
2026-08-18 cs.AI cs.SE
Fixed Point Semantics for Stream Reasoning
Institute of Discrete Mathematics and Geometry（离散数学与几何研究所）；Vienna University of Technology（维也纳工业大学）
对输入数据流进行推理是人类智能的重要组成部分。在过去的十年中，{ \em流推理}已经成为人工智能社区中的一个研究领域，具有许多潜在的应用。事实上，通过谷歌和Facebook等服务提供的流数据的可用性越来越高，这就需要推理引擎来处理高速变化的数据。最近，基于规则的形式主义{ \em LARS}的答案集语义下的非单调流推理已经推出。从语法上讲，LARS程序是逻辑程序，具有否定，并结合了用于时间推理的运算符，最值得注意的是用于选择相关时间点的{ \em窗口运算符}。不幸的是，通过预先选择{ \em fixed}间隔用于程序的语义评估，LARS程序的刚性语义不够灵活，{ \em constructively}无法应对快速变化的数据依赖性。此外，我们表明，定义的答案集语义的LARS在FLP约简导致不良循环的理由类似于其他ASP扩展。本文解决了LARS的所有上述缺点。更确切地说，我们有助于流推理的基础，提供了一个完全灵活的变体LARS的操作不动点语义，我们表明，我们的语义是健全的和建设性的意义上说，答案集是自下而上的推导和自由的循环理由。
2020-05-17 cs.AI cs.CL cs.LO
