Using Abduction in Markov Logic Networks for Root Cause Analysis
University of Mannheim（曼海姆大学）；Softplant GmbH（Softplant有限公司）
IT基础设施是当今大多数业务运营的关键部分。高可用性和可靠性以及对中断的短响应时间至关重要。因此，风险管理中需要大量的工具支持和自动化来减少中断。我们提出了一种新的方法来计算在IT基础设施中观察到的故障的根本原因。我们的方法是基于马尔可夫逻辑网络的溯因。溯因的目的是根据某些背景知识为给定的观察找到一种解释。在故障诊断中，解释对应于根本原因，观察到一个组件的故障，和背景知识的依赖图扩展的潜在风险。我们应用一种方法来扩展马尔可夫逻辑网络，以进行溯因推理，这是不自然的支持，在这种形式主义。我们的方法具有很高的可重用性，并使用户没有具体的基础设施的具体知识，以获得可行的见解的情况下发生的事件。我们在一个工具中实现了该方法，并通过将其应用于示例场景来说明其适用于根本原因分析。
2015-11-18 cs.AI
Towards Log-Linear Logics with Concrete Domains
Universität Mannheim（曼海姆大学）
我们提出了$\mathcal{MEL}^{++}$（M表示马尔可夫逻辑网络）的对数线性描述逻辑$\mathcal{EL}^{++}$ -LL与具体域，名物化，和实例的扩展。我们使用马尔可夫逻辑网络（MLN），以找到最可能的，分类和连贯的$\mathcal{EL}^{++}$本体从$\mathcal{MEL}^{++}$知识库。特别是，我们开发了一种新的方法来处理具体的域（也称为datestries）通过扩展MLN的切割平面推理（CPI）算法。
2015-07-15 cs.AI
Improving Training Result of Partially Observable Markov Decision Process by Filtering Beliefs
在这项研究中，我提出了一个过滤信念的方法来提高性能的部分可观察马尔可夫决策过程（POMDPs），这是一种广泛使用的方法在自主机器人和许多其他领域的控制策略。我的方法搜索和比较每一个相似的信念对。由于相似信念对控制策略的影响不大，为了减少训练时间，过滤掉了相似信念。实验结果表明，该方法优于基于点的近似POMDPs的训练结果的质量以及该方法的效率。
2021-01-05 cs.AI
Lifted Inference in 2-Variable Markov Logic Networks with Function and Cardinality Constraints Using Discrete Fourier Transform
Czech Technical University in Prague（布拉格捷克技术大学）
在本文中，我们证明了在2-变量马尔可夫逻辑网络（MLNs）的基数和功能的约束下的推理是域提升的。为了获得这一结果，我们使用现有的域提升算法进行加权一阶模型计数（Van den Broeck等人，KR 2014），并对与MLN相关的某些分布进行离散傅立叶变换。
2020-07-16 cs.AI cs.LO
Adaptive Selection of Symbolic Languages for Improving LLM Logical Reasoning
本文提出一种自适应选择符号语言的方法，通过在翻译前为不同自然语言逻辑推理问题匹配最优符号语言（一阶逻辑、逻辑编程或布尔可满足性），显著提升了LLM的逻辑推理性能。
2025-10-12 cs.AI
Improving the Efficiency of Approximate Inference for Probabilistic Logical Models by means of Program Specialization
Katholieke Universiteit Leuven（鲁汶天主教大学）
我们认为，执行概率逻辑模型的概率推理的任务。许多算法的近似推理与这样的模型是基于抽样。从逻辑编程的角度来看，采样归结为在由静态部分和动态部分组成的知识库上重复调用相同的查询。静态部分越大，这些重复调用中的冗余就越多。这是有问题的，因为低效的采样产生差的近似。我们展示了如何应用逻辑程序专业化，使基于采样的推理更有效。我们开发了一种算法，专门的查询谓词的定义相对于知识库的静态部分。在对真实世界数据的实验中，我们获得了高达一个数量级的加速比，并且这些加速比随着数据大小而增长。
2011-12-22 cs.AI
End-to-End Relation Extraction using Markov Logic Networks
TCS Research, Tata Consultancy Services（塔塔咨询服务公司TCS研究院）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Indian Institute of Technology Patna（印度理工学院巴特那分校）
端到端关系抽取的任务由两个子任务组成：i）识别实体提及及其类型以及ii）识别实体提及对之间的语义关系。识别实体提及及其类型和识别实体提及之间的语义关系是信息抽取中的两个重要问题。已经表明，为了更好的性能，有必要联合处理这两个子任务。我们提出了一种方法，同时提取实体提及和关系的句子中，通过使用马尔可夫逻辑网络（MLN）的推理。我们学习三种不同的分类器：i）局部实体分类器，ii）局部关系分类器和iii）使用局部实体分类器的预测的“流水线”关系分类器。这些分类器的预测可能彼此不一致。我们表示这些预测以及一些领域的知识，使用加权的一阶逻辑规则在MLN和执行联合推理的MLN，以获得最小的不一致的全球输出。ACE（自动内容提取）2004数据集上的实验表明，我们的联合提取方法使用MLN优于单独的分类器的基线。我们的端到端的关系抽取性能优于ACE 2004数据集上报告的3个结果中的2个。
2017-12-04 cs.AI
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
Adaptive MCMC-Based Inference in Probabilistic Logic Programs
Stony Brook University（石溪大学）
概率逻辑编程（PLP）语言使程序员能够指定将逻辑模型与统计知识相结合的系统。的推理问题，以确定查询答案的概率在PLP中，是棘手的一般，从而激励近似技术的需要。在本文中，我们提出了一种技术，近似推理的条件概率PLP查询。它是一种自适应马尔可夫链蒙特卡罗（MCMC）技术，其中，随着马尔可夫链的探索，从其中提取样本的分布被修改。特别是，该分布被逐步修改，以增加生成的样本与证据一致的可能性。在我们的上下文中，每个样本都由一组随机变量的结果唯一表征。受强化学习的启发，我们的技术根据样本是否一致，将奖励传播给样本中使用的随机变量/结果对。每个结果的累积奖励用于为每个随机变量导出新的“适应分布”。对于一系列样本，在每个样本之后逐渐适应分布。对于一个具有“马尔可夫评价结构”的查询，我们证明了样本的适应分布收敛于查询的条件概率分布。对于马尔可夫查询，我们提出了一个修改后的适应过程，可用于自适应MCMC以及自适应独立采样。我们经验评估的有效性，自适应采样方法的查询和不马尔可夫评价结构。
2014-03-24 cs.AI
Improving the Efficiency of Inductive Logic Programming Through the Use of Query Packs
Katholieke Universiteit Leuven（天主教鲁汶大学）；PharmaDM（法玛迪姆公司）
归纳逻辑程序设计或关系学习是机器学习或数据采掘的强大范例。然而，为了使ILP变得实际有用，ILP系统的效率必须大幅提高。为此，引入了查询包的概念：它构建了类似查询的集合。此外，描述了用于执行这样的查询包的机制。复杂性分析表明，相当大的效率提高，可以通过使用这种查询包执行机制。这一主张是支持的实证结果，通过将支持查询包执行两个现有的学习系统。
2011-06-09 cs.AI
Swift Markov Logic for Probabilistic Reasoning on Knowledge Graphs
Banca d’Italia（意大利银行）；TU Wien（维也纳工业大学）；University of Oxford（牛津大学）
我们提供了一个基于Vadalog的知识图谱（KGs）的概率推理框架，满足本体推理的要求：全递归、强大的存在量化、归纳定义的表达. Vadtron是一种基于Warded Datrons +/-的知识表示和推理（KRR）语言，Warded Datrons +/-是存在规则的逻辑核心语言，在计算复杂性和表达能力之间具有良好的平衡。处理不确定性是与KG进行推理的关键。然而，Vadminister和Warded Datasheet +/-没有被现有的概率逻辑编程和统计关系学习方法所覆盖，原因有几个，包括对存在量化递归的支持不足，以及不可能表达归纳定义。在这项工作中，我们引入软Vadministration，概率扩展Vadministration，满足这些desiderata。一个软Vadministration程序诱导我们所谓的概率知识图谱（PKG），它由一个网络上的概率分布的追逐实例，结构通过接地的规则在数据库中使用追逐过程。我们利用PKG的概率边际推理。我们讨论的理论和目前MCMC-chase，蒙特卡罗方法在实践中使用软Vadministration。我们将我们的框架应用于解决数据管理和工业问题，并在Vadtron系统中进行了实验评估。逻辑程序设计理论与实践（TPLP）
2022-10-01 cs.AI
On Projectivity in Markov Logic Networks
Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）；University of Trento（特伦托大学）
马尔可夫逻辑网络（MLN）定义了不同域大小上关系结构的概率分布。许多工作已经注意到，MLN，像许多其他关系模型，不承认一致的边际推理在不同的域大小。此外，MLN学习的某个域不推广到新的域的大小不同。在最近的工作中，域大小依赖，提升推理和从子采样域学习之间出现了联系。这些作品的中心思想是投射性的概念。投影模型的概率分布使子结构的边缘概率独立于域基数。因此，投影模型允许有效的边际推理，消除了对域大小的任何依赖。此外，投影模型可能允许从子采样域进行有效且一致的参数学习。在本文中，我们刻画了二元MLN是投射的充要条件。然后，我们隔离在这类MLN的一个特殊的模型，即关系块模型（RBM）。我们表明，在数据似然最大化方面，RBM是最好的可能的投影MLN在两个变量的片段。最后，我们表明，RBM也承认一致的参数学习子采样域。
2022-05-05 cs.AI
Complex Markov Logic Networks: Expressivity and Liftability
FEE CTU in Prague（布拉格捷克理工大学电气工程学院）
研究了马尔可夫逻辑网络的表达性。我们介绍复杂的MLN，它使用复值的权重，我们表明，与标准MLN与实值权重，复杂的MLN是充分表达。然后，我们观察到，离散傅立叶变换可以计算使用加权一阶模型计数（WFOMC）与复杂的权重，并使用此观察设计一个算法计算关系的边缘多面体，需要大大减少调用WFOMC预言比最近的算法。
2020-07-16 cs.AI cs.LG cs.LO
Parallel Noising in Neural Markov Logic Networks
Czech Technical University（捷克技术大学）；KU Leuven（鲁汶大学）
研究针对神经马尔可夫逻辑网络在大结构上表现欠佳的问题，通过用图神经网络增强势函数表达能力，结合受并行回火启发的并行噪声训练和推理算法，提升其在图生成及小分子结构生成中的性能。
2026-07-22 cs.AI cs.LG
Compositional planning in Markov decision processes: Temporal abstraction meets generalized logic composition
Worcester Polytechnic Institute（伍斯特理工学院）
在马尔可夫决策过程（MDP）的层次规划中，时间抽象允许以顺序组合的形式对发生在不同时间尺度上的宏动作进行规划。在本文中，我们提出了一种新的方法，组合推理和层次规划的时态逻辑约束下的MDP。除了顺序组合，我们介绍了一种基于广义逻辑组合的策略组合：给定子任务的子策略和一个新的任务表示为子任务的逻辑组合，一个半最优的策略，这是最优的规划与只有子策略，可以通过简单地组合子策略。因此，一个综合算法的开发，以计算最优策略有效地规划与原始行动，子任务的政策，和子政策的组成，以最大限度地满足时态逻辑规格的概率。我们证明了所提出的方法的正确性和效率在随机规划的例子与一个单一的代理和多个任务规范。
2019-07-22 cs.AI math.OC
Quantum Enhanced Inference in Markov Logic Networks
ICFO-The Institute of Photonic Sciences（ICFO-光子科学研究所）；University of Borås（博拉斯大学）
马尔可夫逻辑网络（MLN）调和了机器学习和人工智能中两个对立的学派：因果网络，它非常好地解释了不确定性，一阶逻辑，它允许形式演绎。MLN本质上是生成马尔可夫网络的一阶逻辑模板。MLN中的推理是概率性的，并且它通常通过近似方法来执行，例如马尔可夫链蒙特卡罗（MCMC）吉布斯抽样。MLN具有许多规则的对称结构，可以在一阶水平和生成的马尔可夫网络中利用。我们分析了各种提升方法产生的图形结构，并研究了量子协议在多大程度上可以用于加速吉布斯抽样与状态准备和测量方案。我们回顾了不同的方法，讨论了它们的优点，理论上的局限性，以及它们对实现的吸引力。我们发现，一个简单的应用程序最近的结果产生指数加速相比，经典的近似概率推理，从而展示了另一个例子，先进的量子资源可以证明在机器学习有用。
2016-11-24 cs.AI quant-ph stat.ML
Improving Large Language Models in Event Relation Logical Prediction
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）；Nanyang Technological University（南洋理工大学）；School of Computer Science, Fudan University（复旦大学计算机科学学院）
本文针对LLM事件关系逻辑不一致问题，比较三种逻辑增强方法，并构建含高阶推理的LLM-ERL数据集用于评估与微调，验证了方法有效性。
2024-08-09 cs.AI
Scaling the weight parameters in Markov logic networks and relational logistic regression models
Ludwig-Maximilians-Universität München（慕尼黑大学）；Institut für Informatik（信息学研究所）
该研究针对统计关系AI中的马尔可夫逻辑网络与关系逻辑回归模型，探究权重参数随域大小缩放的特性，证明后者渐近行为可由参数透明控制并给出对应算法，同时分析了缩放的适用场景与未来研究方向。
2024-05-16 cs.AI cs.LG cs.LO
Scaling Inference for Markov Logic with a Task-Decomposition Approach
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
出于在大规模知识库建设的应用，我们研究了一个复杂的统计推理框架称为马尔可夫逻辑网络（MLNs）的问题。我们的方法，费利克斯，使用拉格朗日松弛的思想，从数学规划分解成更小的任务，同时保留联合推理性能的原始MLN的程序。其优点是，我们可以使用高度可扩展的专用算法来完成分类和共指等常见任务。我们提出了一个架构，支持拉格朗日松弛的RDBMS，我们表明，可扩展的联合推理MLNs。我们的经验验证，费利克斯是显着更具可扩展性和效率比以前的方法，MLN推理，从1.8M的文件作为TAC挑战的一部分，构建一个知识库。我们表明，费利克斯规模和实现国家的最先进的质量数字。相比之下，现有方法甚至不能缩放到小三个数量级的语料库的子集。
2012-03-12 cs.AI cs.DB
Entropy Maximization for Markov Decision Processes Under Temporal Logic Constraints
University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
研究了在时态逻辑约束下，使马尔可夫决策过程（MDP）的熵最大化的策略的合成问题。这样的策略最小化其生成的路径的可预测性，或者双重地最大化MDP中的不同路径的探索，同时确保满足时态逻辑规范。我们首先证明了MDP的最大熵可以是有限的，无限的或无界的。给出了MDP的最大熵为有限、无穷或无界的充要条件。然后，我们提出了一个算法，这是基于一个凸优化问题，以综合的政策，最大限度地提高熵的MDP。我们还表明，最大化的熵的MDP是等价于最大化的熵的路径，达到一定的一组状态的MDP。最后，我们将该算法扩展到一个受时态逻辑规范的MDP。在数值例子中，我们证明了所提出的方法在不同的运动规划方案和说明之间的关系的限制施加在路径上的规范，最大熵，和路径的可预测性。
2019-06-10 cs.AI math.OC
Beyond Markov Logic: Efficient Mining of Prediction Rules in Large Graphs
University of Leipzig（莱比锡大学）；Leipzig University of Applied Sciences（莱比锡应用科技大学）；Paderborn University（帕德博恩大学）
大型知识库的图形表示可以包括数十亿条边。通常建立在人类生成的本体，一些知识库不具有声明的本体规则，是远远不够的。目前的规则挖掘方法依赖于模式或将图存储在内存中，这对于大型图是不可行的。在本文中，我们介绍HornConcerto，算法发现霍恩条款在大型图，而不需要一个模式。使用一个标准的基于事实的置信度得分，我们可以挖掘关闭霍恩规则具有任意的身体大小。我们表明，我们的方法可以优于现有的方法在运行时间和内存消耗和挖掘高质量的规则的链接预测任务，实现国家的最先进的结果，广泛使用的基准。此外，我们发现，规则本身可以执行推理速度显着快于嵌入为基础的方法，并实现链接预测的准确性相比，资源需求的方法，如马尔可夫逻辑网络。
2018-02-13 cs.AI cs.DB
Optimal Control of Logically Constrained Partially Observable and Multi-Agent Markov Decision Processes
University of Southern California（南加州大学）；University of New Mexico（新墨西哥大学）
针对自主系统的逻辑约束、部分可观测性及多智能体信息不对称问题，提出带有限线性时序逻辑约束的POMDP最优控制理论与多智能体框架，可合成兼顾高奖励与约束满足概率的策略，经案例验证有效。
2024-06-19 cs.AI cs.FL cs.SY
Quantified Markov Logic Networks
Cardiff University（卡迪夫大学）；University of Bremen（不来梅大学）；KU Leuven（鲁汶大学）
马尔可夫逻辑网络（MLN）非常适合于表达诸如“吸烟者以高概率认识另一吸烟者”的统计数据，但不适合于表达诸如“存在认识大多数其他吸烟者的吸烟者”的陈述，这对于建模（例如，社交网络中的影响者）是必要的。为了克服这一缺点，我们研究量化的MLNs，通过引入统计全称量词来概括MLNs，允许以原则性的方式表达后一种类型的统计数据。我们的主要技术贡献是表明，在量化的MLN，最大后验概率和边际推理的标准推理任务，可以减少到各自的MLN对应的多项式时间。
2018-08-21 cs.AI cs.LG cs.LO
Aligning with Logic: Measuring, Evaluating and Improving Logical Preference Consistency in Large Language Models
University of Cambridge（剑桥大学）；Monash University（莫纳什大学）
本研究针对LLMs判断不一致问题，提出基于传递性等三个属性的逻辑偏好一致性评估框架，引入REPAIR技术提升一致性并保持人类偏好对齐，实验证明该框架可反映鲁棒性且改进后算法性能更好。
2025-02-09 cs.AI cs.CL cs.LO
On the verification of Embeddings using Hybrid Markov Logic
University of Memphis（孟菲斯大学）；Adobe Research（奥多比研究院）
针对现有嵌入验证仅能通过任务准确率评估的局限，提出基于混合马尔可夫逻辑网络的框架，结合符号知识定义属性并学习参数，将验证编码为混合整数线性规划求解，在多场景验证了通用性。
2023-12-13 cs.AI cs.LG
Markov Logic Networks for Natural Language Question Answering
我们的目标是使用从科学教科书中自动提取的知识来回答初级科学问题，这些知识以一阶逻辑的子集表示。考虑到这些自动提取的规则的不完整性和噪声性，马尔可夫逻辑网络（MLN）似乎是一个自然的模型，但利用MLN的确切方法并不明显。我们研究了三种方法应用MLN到我们的任务。在第一种方法中，我们简单地使用提取的科学规则直接作为MLN子句。与典型的MLN应用程序不同，我们的域具有漫长而复杂的规则，导致无法管理的接地数量。我们利用硬约束中存在的结构来提高易处理性，但该公式仍然无效。在第二种方法中，我们将科学规则解释为描述原型实体，从而将规则直接映射到接地MLN断言，然后使用现有的实体解析方法对其常量进行聚类。这大大简化了网络，但仍然存在脆性。最后，我们的第三种方法，称为Praline，使用MLN来对齐词汇元素，并定义和控制在此任务中应如何执行推理。我们的实验，展示了15\%的准确率提升和10倍的运行时间减少，表明Praline的灵活性和不同的推理语义是一个更好的适合自然语言问答任务。
2015-07-10 cs.AI cs.CL
Improving LLM Reasoning via Dependency-Aware Query Decomposition and Logic-Parallel Content Expansion
University of Science and Technology of China（中国科学技术大学）
针对LLM集成到实时Web应用时推理效率与质量难以兼顾的瓶颈，提出Orion框架，通过依赖感知查询分解、逻辑并行扩展和跨查询流水线调度，同时提升推理速度与质量。
2025-10-28 cs.AI
Stochastic Logic Programs: Sampling, Inference and Applications
提出了随机逻辑程序（SLP）中基于变量消去和重要性采样的精确和近似推理算法。然后，我们展示了SLP如何用于表示机器学习的先验分布，使用（i）逻辑程序和（ii）贝叶斯网络结构作为示例。借鉴现有的统计工作，我们应用Metropolis-Hasting算法来构建一个马尔可夫链的样本后验分布。一个Prolog实现这是描述。我们还讨论了构造后验的显式表示的可能性。
2013-01-16 cs.AI
On Explaining Visual Captioning with Hybrid Markov Logic Networks
针对深度神经网络视觉字幕生成的可解释性难题，提出基于混合马尔可夫逻辑网络的解释框架，通过训练实例分布偏移量化影响样本，实验验证了方法的可解释性并可用于模型比较。
2025-07-28 cs.AI cs.CV
Disentangling Fine-Tuning from Pre-Training in Visual Captioning with Hybrid Markov Logic
University of Memphis（孟菲斯大学）；Adobe Research（奥多比研究院）
本文提出基于 HMLN 的概率建模与推理方法，用于量化训练样本对生成描述的影响，并在 MSCOCO 上揭示使用 LLM 的 BLIP2 受微调影响更小。
2025-03-18 cs.AI cs.CV
Improving Scalability of Inductive Logic Programming via Pruning and Best-Effort Optimisation
Sabanci University（萨班哲大学）；Marmara University（马尔马拉大学）
归纳逻辑程序设计（ILP）通过学习包括给定搜索空间的背景知识和约束的一组规则的假设来组合基于规则的和统计的人工智能方法。我们专注于扩展的XHAIL算法的ILP，这是基于答案集编程，我们评估我们的扩展使用自然语言处理应用程序的句子组块。在处理自然语言方面，ILP可以满足我们日常使用语言方式的不断变化。同时，ILP不需要大量的训练样本，如其他统计方法，并产生可解释的结果，这意味着一组规则，可以分析和调整，如果必要的。作为贡献，我们扩展了XHAIL（i）假设泛化算法中的修剪机制，可以从更大的数据集学习，（ii）使用最近开发的优化方法更好地使用现代求解器技术，以及（iii）允许使用次优结果的时间预算。我们使用最近SemEval比赛的三个数据集来评估这些改进。结果表明，我们的改进允许在更大的数据集上学习，其结果与相同任务的最先进系统具有相似的质量。此外，我们比较了在数据集上获得的假设，以了解每个数据集的结构。
2017-06-16 cs.AI
Understanding Domain-Size Generalization in Markov Logic Networks
TU Wien（维也纳技术大学）；Ludwig-Maximilians-Universität München（慕尼黑大学）
本文研究了 Markov Logic Networks 在不同 domain 规模间泛化能力差的问题，通过量化参数方差对内部不一致性和 KL 散度的界限，证明最小化参数方差可提升泛化能力，并在四个数据集上得到验证。
2024-06-03 cs.AI cs.LG
Derivation Prompting: A Logic-Based Method for Improving Retrieval-Augmented Generation
Instituto de Computación, Facultad de Ingeniería, Universidad de la República（计算研究所，工程学院，乌拉圭共和国大学）
本文提出推导提示方法，通过系统应用预定义规则从初始假设推导结论，以提高检索增强生成中生成过程的可控性和准确性。
2026-05-13 cs.AI cs.CL
Hinge-Loss Markov Random Fields and Probabilistic Soft Logic
Stanford University（斯坦福大学）；DataStax（DataStax 公司）；Virginia Tech（弗吉尼亚理工大学）；University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
开发高影响力机器学习技术的一个根本挑战是平衡对丰富结构化领域建模的需求与扩展到大数据的能力。许多重要的问题领域都是结构丰富和规模庞大的，从社会和生物网络，到知识图谱和Web，再到图像、视频和自然语言。在本文中，我们介绍了两个新的形式主义建模结构化数据，并表明他们都可以捕捉丰富的结构和规模的大数据。首先，铰链损失马尔可夫随机场（HL-MRF），是一种新的概率图形模型，推广了不同的方法凸推理。我们统一了三种方法，从随机算法，概率图形模型，和模糊逻辑社区，表明这三个导致相同的推理目标。然后，我们定义HL-MRF通过概括这个统一的目标。第二种新的形式主义，概率软逻辑（PSL），是一种概率程序设计语言，使HL-MRF易于使用基于一阶逻辑的语法定义。我们介绍了一种算法，用于推断最可能的变量分配（MAP推断），这是更可扩展的比通用凸优化方法，因为它使用消息传递，以利用稀疏依赖结构。然后，我们展示了如何学习HL-MRF的参数。学习的HL-MRF与类似的离散模型一样准确，但更具可扩展性。总之，这些算法使HL-MRF和PSL能够以以前不可能的规模对丰富的结构化数据进行建模。
2017-11-17 cs.AI cs.LG stat.ML
A Critical Look at the Applicability of Markov Logic Networks for Music Signal Analysis
Centre for Digital Music（数字音乐中心）；Queen Mary University of London（伦敦玛丽女王大学）
近年来，马尔可夫逻辑网络（MLN）已被提出作为一个潜在的有用的范例，音乐信号分析。因为所有的隐马尔可夫模型都可以重新表述为MLN，后者可以提供一个全面的框架，重用和扩展该领域以前的工作。然而，仅仅因为理论上可以将以前的工作重新表述为MLN，并不意味着它是有利的。在本文中，我们分析了一些建议的MLNs的音乐分析的例子，并考虑其实际的缺点相比，制定相同的音乐依赖关系（动态）贝叶斯网络。我们认为，一些实际的障碍，如缺乏对序列和任意连续概率分布的支持，使MLN不太理想的建议的音乐应用程序，无论是在易于制定和计算的要求，由于其所需的推理算法。这些结论并不局限于音乐，但也适用于其他领域，特别是当涉及连续观察的序列数据时。最后，我们表明，所提出的例子背后的想法可以很好地表达在更常用的框架（动态）贝叶斯网络。
2020-01-16 cs.AI cs.IR cs.LG
Random coloured digraphs defined by a Markov logic network
Department of Mathematics, Uppsala University, Sweden（瑞典乌普萨拉大学数学系）
研究马尔可夫逻辑网络中一阶语句的渐近概率，发现权重按1/n缩放时0-1律成立且极限概率与权重无关，否则出现7种依赖于权重的定性情况，包括相变现象。
2026-06-24 cs.AI math.LO
Neural Markov Prolog
Duke University（杜克大学）
本文提出Neural Markov Prolog语言，结合Markov逻辑与Prolog，桥接一阶逻辑与神经网络设计，支持图像、文本、关系数据库等混合数据类型的架构生成与精确表达。
2023-11-27 cs.AI cs.LG cs.PL
Improving Symbolic Translation of Language Models for Logical Reasoning
本文通过微调和增量推理框架，提升小型语言模型在逻辑推理中的符号翻译能力，减少错误率并提高推理性能。
2026-01-14 cs.AI cs.CL
Improving Sampling from Generative Autoencoders with Markov Chains
Imperial College London（帝国理工学院）
我们专注于生成式自动编码器，例如变分或对抗式自动编码器，它们与推理模型一起共同学习生成模型。生成式自动编码器是那些被训练成对由推理模型学习的潜在分布柔和地实施先验的自动编码器。我们将推理模型映射到观察样本的分布称为学习的潜在分布，它可能与先验不一致。我们制定了一个马尔可夫链蒙特卡罗（MCMC）采样过程，相当于迭代解码和编码，这使我们能够从学习的潜在分布中采样。由于生成模型从学习的潜在分布而不是先验学习映射，因此我们可以使用MCMC来提高从生成模型提取的样本的质量，特别是当学习的潜在分布远离先验时。使用MCMC采样，我们能够揭示使用或不使用去噪标准训练的生成式自动编码器之间以前看不见的差异。
2017-01-12 cs.AI cs.LG stat.ML
Logic-Q: Improving Deep Reinforcement Learning-based Quantitative Trading via Program Sketch-based Tuning
Nanyang Technological University（南洋理工大学）；Hong Kong Polytechnic University（香港理工大学）；Chinese University of Hong Kong（香港中文大学）；Singapore Management University（新加坡管理大学）；Peng Cheng Lab（鹏城实验室）
本文提出Logic-Q框架，通过程序草稿合成引入人类专家市场趋势知识，以事后方式调整DRL策略，显著提升量化交易性能。
2025-02-06 cs.AI cs.CE cs.PL
Causal Temporal Reasoning for Markov Decision Processes
Department of Informatics, King's College London（信息学院，伦敦国王学院）
本文提出PCFTL，一种支持干预与反事实查询的概率时序逻辑，通过结构因果模型解释MDP，并在安全强化学习基准中验证其有效性。
2023-06-14 cs.AI cs.SY eess.SY
LogicGuard: Improving Embodied LLM agents through Temporal Logic based Critics
Department of Mechanical Engineering, University of California at Santa Barbara（加州大学圣芭芭拉分校机械工程系）；Department of Electrical and Computer Engineering, Michigan State University（密歇根州立大学电气与计算机工程系）
LogicGuard 提出一种模块化演员-评论家架构，利用 LLM 评论家通过线性时序逻辑生成约束来引导 LLM 演员，从而在长时程规划任务中提升具身智能体的可靠性、效率与安全性。
2025-09-23 cs.AI cs.CL cs.LG
Improving Neural-based Classification with Logical Background Knowledge
IRT SystemX；CentraleSupélec（中央高等电力学院）
本文提出推理时语义条件约束这一神经符号技术，在不影响训练的前提下约束推理过程，并通过多尺度实验证明其能以更少资源构建更准确且语义一致的神经分类系统。
2024-02-20 cs.AI cs.LG cs.SC
A Solver-in-the-Loop Framework for Improving LLMs on Answer Set Programming for Logic Puzzle Solving
本文提出了一种求解器循环框架，通过引导求解器进行指令微调，提升LLM在Answer Set Programming中生成逻辑谜题解答的性能。
2025-12-18 cs.AI cs.CL
Improving Fuzzy-Logic based Map-Matching Method with Trajectory Stay-Point Detection
Kharazmi University（哈拉兹米大学）
针对GPS轨迹中停留点不规则导致地图匹配错误的问题，提出利用DBSCAN聚类停留点并消除冗余数据的方法，在保持匹配准确度的同时减少了数据量和处理时间。
2022-08-04 cs.AI cs.CG cs.CV
Domain size asymptotics for Markov logic networks
Department of Mathematics, Uppsala University, Sweden（瑞典乌普萨拉大学数学系）
研究马尔可夫逻辑网络在域大小趋于无穷时概率分布的性质，通过一元关系语言的几乎完全刻画，展示了其与均匀分布及提升贝叶斯网络的本质差异。
2026-11-03 cs.AI cs.LO math.LO
