From probability to causality in probabilistic logic programming
Ludwig-Maximilians-Universität München（慕尼黑大学）；Eberhard-Karls-Universität Tübingen（蒂宾根大学）；German University of Digital Science（德国数字科学大学）
该研究针对概率逻辑程序从数据学习时因果顺序不唯一的问题，结合贝叶斯网络关系推导条件并纳入因果对称约束，提出可验证干预语义的方法。
2026-08-10 cs.AI
Explaining Explanations in Probabilistic Logic Programming
VRAIN, Universitat Politècnica de València（VRAIN，瓦伦西亚理工大学）
本文针对概率逻辑编程中传统解释包含无关选择的问题，提出基于选择表达式标注证明的查询驱动推理机制，从而生成具有因果结构且可理解的查询论证。
2024-10-22 cs.AI cs.PL
Functional Answer Set Programming
University of Corunna（科鲁尼亚大学）
在本文中，我们提出了一个扩展的答案集编程（ASP），特别是其最一般的逻辑对应，量化平衡逻辑（QEL），以处理部分功能。虽然平等的治疗QEL可以建立在不同的方式，我们首先分析了选择可判定的平等与完整的功能和Herbrand模型，最近提出的文献。我们认为，这种选择产生一些违反直觉的效果，从逻辑编程和知识表示的观点。然后，我们提出了一个变种称为QELF的功能集被划分为部分和Herbrand功能（我们也称之为构造函数）。在本文的其余部分，我们展示了一个直接连接到斯科特的存在逻辑，并提出了一个实际的应用，提出了一个扩展的正常逻辑程序处理部分功能和平等，使他们可以被翻译成功能免费正常的程序，有可能以这种方式计算其答案集与任何标准的ASP求解器。
2010-06-18 cs.AI cs.LO
LogicMP: A Neuro-symbolic Approach for Encoding First-order Logic Constraints
INFLY TECH (Shanghai) Co., Ltd（INFLY科技（上海）有限公司）；Ant Group（蚂蚁集团）；BioMap Research（BioMap研究所）
本文提出LogicMP神经层，通过平均场变分推理高效编码一阶逻辑约束，可插入现成神经网络，在多种任务上性能与效率均优于先进方法。
2025-10-09 cs.AI cs.SC
Learning Algorithms via Neural Logic Networks
Georgia Institute of Technology（佐治亚理工学院）
提出了一种基于布尔逻辑代数的深度神经网络（DNN）学习方法。我们首先介绍了布尔系统的基本可微算子，如合取、析取和异或，并展示了如何将这些初等算子以一种简单而有意义的方式组合起来形成神经逻辑网络（NLN）。我们研究了所提出的NLN框架在学习布尔函数和离散算法任务中的有效性。我们证明，与MLP方法中的隐式学习相比，所提出的神经逻辑网络可以显式地学习可以由人类验证和解释的逻辑函数。特别是，我们提出了一个新的框架，学习的归纳逻辑程序设计（ILP）的问题，利用显式表示的权力NLN。我们表明，建议的神经ILP求解器是能够的壮举，如谓词发明和递归，并可以优于目前最先进的神经ILP求解器使用各种基准任务，如十进制加法和乘法，排序有序列表。
2019-04-02 cs.AI cs.LG
Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion
Harbin Institute of Technology（哈尔滨工业大学）；Singapore Management University（新加坡管理大学）
针对稀疏知识图谱补全性能随稀疏度增加而下降的问题，提出LR-GCN框架，通过推理路径蒸馏器探索高阶图结构并提取逻辑推理知识至GNN预测器，利用变分EM算法联合优化，有效缓解稀疏问题。
2023-06-29 cs.AI cs.CL
Quantitative and Stream Extensions of Answer Set Programming
TU Vienna（维也纳工业大学）
答案集编程已经单独扩展了约束，流域，并具有推理与答案集相关的数量的能力。我们提出了一个通用的框架，结合了所有三个方向的扩展，利用这里和那里的逻辑和加权逻辑的优势，介绍和分析。
2021-09-17 cs.AI cs.CC cs.LO
Logic of Hypotheses: from Zero to Full Knowledge in Neurosymbolic Integration
University of Padua（帕多瓦大学）；Fondazione Bruno Kessler（布鲁诺·科斯勒基金会）；University of Bozen-Bolzano（博赞-博尔扎诺大学）
本文提出LoH语言，结合数据驱动规则学习与符号先验和专家知识，实现神经符号整合的灵活统一，并通过模糊逻辑实现可微计算图编译。
2026-05-15 cs.AI cs.LG cs.LO
Structure-Based Causes and Explanations in the Independent Choice Logic
Dipartimento di Informatica e Sistemistica, Universita di Roma "La Sapienza"（罗马大学信息与系统系）
本文旨在结合珍珠的结构模型的因果推理方法与高层次的形式主义推理行动。更确切地说，我们提出了一个组合珍珠的结构模型方法与普尔的独立选择逻辑。我们展示了独立选择逻辑中的概率理论如何映射到概率因果模型。这种映射为独立选择逻辑提供了吸引人的因果关系概念和结构模型方法的解释。我们沿着哈尔彭和珀尔关于实际原因、解释和部分解释的复杂概念来说明这一点。这种映射还为结构模型方法添加了一阶建模功能和显式操作。
2012-10-19 cs.AI
Social choice rules driven by propositional logic
Universitat Autònoma de Barcelona（巴塞罗那自治大学）
社会选择的几个规则进行审查，从一个统一的观点，把它们看作是根据某些特定的逻辑约束，修改信仰程度的系统的程序。在这里，信仰是一种社会属性，其程度是由赞同某一观点的人的比例来衡量的。不同的已知的规则和一些新的，得到取决于特定的约束条件。这些限制允许对不同的精致概念进行建模。特别地，我们给出了一个新的方法来处理赞成-反对-优先投票。
2015-05-05 cs.AI
Exploiting Asymmetry in Logic Puzzles: Using ZDDs for Symbolic Model Checking Dynamic Epistemic Logic
University of Groningen（格罗宁根大学）；University of Amsterdam（阿姆斯特丹大学）
本文提出用ZDDs替代BDDs对动态认知逻辑中的Kripke模型进行符号编码，并在三个经典多智能体谜题上验证了该方法可显著降低模型检测的内存使用。
2023-07-11 cs.AI cs.LO
Experiments with Choice in Dependently-Typed Higher-Order Logic
University of Innsbruck（因斯布鲁克大学）；Czech Technical University in Prague（布拉格捷克理工大学）
本文提出两种将选择机制引入依赖类型高阶逻辑（DHOL）的方法，通过Hilbert选择算子扩展项结构并定义到HOL的翻译，证明了其完备性与可靠性，并在依赖HOL问题上完成评估。
2024-10-11 cs.AI cs.LO
ASGEA: Exploiting Logic Rules from Align-Subgraphs for Entity Alignment
School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
提出ASGEA框架，通过构建对齐子图并利用路径图神经网络ASGNN整合逻辑规则，增强实体对齐的可解释性，并在EA和MMEA任务上超越现有嵌入方法。
2025-02-25 cs.AI cs.CL
Exploiting Belief Bases for Building Rich Epistemic Structures
IRIT（图卢兹信息学研究所）；CNRS（法国国家科学研究中心）；Toulouse University（图卢兹大学）
我们介绍了一个语义的认知逻辑利用一个信念基础的抽象。与现有的Kripke式认知逻辑语义学中可能世界和认知替代的概念是原始的不同，在所提出的语义学中，它们是非原始的，但从信念基的概念定义。我们证明了这种语义允许我们以一种比现有的归纳结构更简单和更紧凑的方式定义普遍的认知模型。我们提供了（i）一些语义等价的结果，这两个基本的认知语言与“个人信仰”算子和它的扩展的概念“只相信”，以及（ii）相对于通用认知模型的认知逻辑模型检验的下界复杂度结果。
2019-07-22 cs.AI cs.GT cs.LO
Structural Preservation and the Logical Expressiveness of Graph Neural Networks
Queen Mary University of London（伦敦玛丽女王大学）；University of Oxford（牛津大学）
本文从语义角度研究图神经网络分类器在结构保持（嵌入、单同态、同态）下的逻辑表达能力，证明每种保持性质对应分级模态逻辑的一个片段，并给出相应GNN架构。
2026-07-01 cs.AI
Truth and Preferences -- A Game Approach for Qualitative Choice Logic
TU Wien（维也纳工业大学）；Institute of Logic and Computation（逻辑与计算研究所）
在本文中，我们介绍了博弈论语义（GTS）的定性选择逻辑（QCL），为了表达偏好，扩展了经典的命题逻辑与一个额外的连接称为有序析取。首先，我们证明了游戏语义可以捕获现有的程度为基础的语义QCL在一个自然的方式。其次，我们表明，游戏语义可以利用QCL的语言派生新的语义。特别是，我们提出了一个新的语义，利用GTS否定，并通过这样做，避免在现有的QCL语义否定的问题。
2022-09-27 cs.AI cs.LO math.LO
Is Free Choice Permission Admissible in Classical Deontic Logic?
Data61, CSIRO（联邦科学与工业研究组织Data61研究所）；University of Bologna（博洛尼亚大学）
在本文中，我们将探讨如何，如果，自由选择许可（FCP）可以被接受，当我们考虑某些类型的许可和义务之间的道义冲突。众所周知，FCP可以在某些最小条件下许可不确定数量的许可的派生。我们讨论了这一点和其他缺点，并提出了六个希尔伯特式的经典道义系统承认一个守卫版本的FCP。就许可而言，我们所呈现的系统从推理的观点来看并不太弱，并且不致力于削弱任何特定的义务逻辑。
2019-06-10 cs.AI cs.LO cs.MA
Exploiting Logic Locking for a Neural Trojan Attack on Machine Learning Accelerators
Rochester Inst. of Tech.（罗切斯特理工学院）
本文提出利用逻辑锁定中错误密钥产生的确定性错误，在被保护的神经加速器中自动构造神经木马后门，并在基准加速器上实现触发输入准确率下降74%而其他输入仅下降1.7%的攻击效果。
2023-04-14 cs.AI cs.AR cs.CR
Exploiting Hybrid Policy in Reinforcement Learning for Interpretable Temporal Logic Manipulation
University of Science and Technology of China（中国科学技术大学）；Chongqing University（重庆大学）；Hunan University（湖南大学）
本文提出时序逻辑引导的混合策略框架HyTL，通过LTL编码任务规范并结合三层决策结构，提升长时程机器人操作的采样效率、性能与可解释性。
2024-12-29 cs.AI cs.LG cs.RO
Using arguments for making decisions: A possibilistic logic approach
IRIT - UPS（图卢兹计算机科学研究所 - 保罗·萨巴捷大学）
人类目前使用论据来解释已经做出的选择，或者评估潜在的选择。每个潜在的选择通常都有各种优势的利弊。尽管在决策过程中的参数的有用性，有几个正式的建议处理这个想法，如果我们除了福克斯和帕森斯和博内和格夫纳的作品。在本文中，我们提出了一个可能性的逻辑框架，参数是建立在一个不确定的知识基础和一组优先目标。所提出的方法可以计算两种决策，区分悲观和乐观的态度。当可用的，也许是不确定的，知识是一致的，以及一组优先目标（必须尽可能实现），用于评估决策的方法的基础上的参数同意的可能性理论为基础的方法，决策下的不确定性。利用它的关系与正式的方法，可废止的论证，建议的框架可以推广的情况下，部分不一致的知识，或目标基地。
2012-07-11 cs.AI
A Measure-Free Approach to Conditioning
Naval Ocean Systems Center（海军海洋系统中心）
在早期的论文中，提出了一种新的无测度“条件”对象理论。本文着重分析了这一理论产生的动因。这个动机的核心部分是通过一个涉及基于知识的系统的例子建立的。为了评估该系统的证据组合，使用观察到的数据，辅助属性和诊断变量，以及连接它们的推理规则，必须首先选择一个适当的代数逻辑描述对（ALDP）：一个形式语言或语法，然后是一个兼容的逻辑或语义评估（或模型）。三种常见的选择-这种高度非唯一的选择-简要讨论，逻辑是古典逻辑，模糊逻辑，概率逻辑。在这三种情况下，对于任何事件a，b，表示推理规则的蕴涵的关键运算符被解释为否定的经常使用的析取（b => a）=（b 'v a）。然而，蕴涵算子的另一种合理解释是通过熟悉的概率条件作用形式。但是，它可以显示-相当令人惊讶的-对应于概率逻辑的ALDP不能被用作这种解释的严格基础！为了填补这一空白，一个新的ALDP构造的“条件对象”，扩展普通的概率逻辑，并符合所需的条件概率解释的推理规则。它还表明，这种选择的ALDP导致可行的计算组合的证据评估的例子。此外，条件对象的一些基本性质和条件概率逻辑给出，包括一个特征属性和关系的发展演算。
2013-03-27 cs.AI
The intuitionistic fragment of computability logic at the propositional level
从可计算性逻辑的语义出发，给出命题直觉演算的可靠性和完备性证明。后者将公式解释为交互式计算问题，形式化为机器与其环境之间的游戏。直觉主义蕴涵被理解为在最弱的可能性-因此最自然-意义上的算法还原，析取和合取作为问题的确定性选择组合（析取=机器的选择，合取=环境的选择），而“荒谬”作为普遍力量的计算问题。请访问http://www.cis.upenn.edu/~giorgi/cl.html以获得关于可计算性逻辑的全面在线资源。
2006-02-11 cs.AI cs.LO math.LO
Exploiting Game Theory for Analysing Justifications
KU Leuven（鲁汶大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
理据理论是一个统一的语义框架。虽然它起源于非单调逻辑，但它可以应用于计算机科学的各个领域，特别是可解释推理;它最核心的概念是证明：解释为什么一个属性在模型中成立（或不成立）。在本文中，我们继续研究的理由理论的三个主要贡献。第一部分研究了辩护理论与博弈论的关系。我们证明，理由框架可以被看作是一种特殊类型的游戏。建立的联系为我们接下来的两个贡献提供了理论基础。第二个贡献是研究在什么条件下两种不同的证明理论方言（图作为解释与树作为解释）重合。第三个贡献是建立了一个精确的标准时，语义诱导的理由理论产生一致的结果。在过去，要证明这样的语义是一致的，需要繁琐而复杂的证明。我们表明，这些标准确实满足所有常见的语义逻辑编程。本文正在考虑接受逻辑编程理论与实践（TPLP）。
2020-08-04 cs.AI cs.LO
Exploiting Transformer in Sparse Reward Reinforcement Learning for Interpretable Temporal Logic Motion Planning
University of Science and Technology of China（中国科学技术大学）
本文提出双 Transformer 引导的 T2TL 框架，结合 LTL progression 与环境无关预训练，将复杂时序逻辑任务分解为可学习子目标，提升稀疏奖励强化学习运动规划性能。
2023-07-17 cs.AI cs.LO cs.RO
Toggling operators in computability logic
Shandong University（山东大学）；Villanova University（维拉诺瓦大学）
可计算性逻辑（Computability Logic，CL）（参见http://www.cis.upenn.edu/~giorgi/cl.html）是一个将逻辑重新发展为可计算性的形式理论的研究项目，与传统上的形式真理论相反。CL中的公式代表交互式计算问题，被视为机器与其环境之间的游戏;逻辑运算符代表对这些实体的操作;“真理”被理解为有效解决方案的存在。合作语言的形式是开放的，并可能会经历一系列的扩展，随着研究的进展。到目前为止，已经研究了三种类型的合取和析取：平行的，顺序的和选择的。本文件增加了一个更自然的类型，这个集合，称为切换。切换操作可以被描述为选择操作的宽松版本，其中选择是可伸缩的，允许重新考虑任何有限次数。通过这种方式，他们在交互式计算中模拟试错式决策步骤。本文的主要技术成果是为可计算性逻辑的命题片断构造了一个合理而完整的公理化，它的词汇表和否定一起包括所有四种合取和析取：平行的、切换的、顺序的和选择的。除了切换合取和析取之外，本文还介绍了量词和递归运算的切换版本。
2010-05-01 cs.AI cs.LO math.LO
A Simplified and Improved Free-Variable Framework for Hilbert's epsilon as an Operator of Indefinite Committed Choice
本文提出了一个改进的二值逻辑自由变量框架，仅保留两种自由变量类型，其表达与求解能力超越标准一阶及高阶模态逻辑，并直接支持Fermat的descente infinie，同时为Hilbert的epsilon提出了支持归约式证明搜索的新选择算子语义。
2024-05-28 cs.AI math.LO
LPOP: Challenges and Advances in Logic and Practice of Programming
Stony Brook University（石溪大学）
本文介绍了2018年7月18日在英国牛津举行的第一届逻辑与编程实践（LPOP）研讨会上提出的工作，该研讨会与2018年联邦逻辑会议（FLoC）一起举行。它的重点是挑战和进步的逻辑和编程实践。研讨会围绕一个挑战性问题组织，该问题指定了基于角色的访问控制（RBAC）中的问题，许多与会者提出了以他们选择的语言表达的命令式和声明式解决方案。
2020-08-15 cs.AI cs.LO cs.PL
Beyond Interaction Effects: Two Logics for Studying Population Inequalities
Institute for Analytical Sociology, Linköping University, Sweden（分析社会学研究所，利厄普斯大学，瑞典）；Division of Data Science and AI, Chalmers University of Technology, Sweden（数据科学与人工智能部门，查尔姆斯理工大学，瑞典）；The AI and Development Lab, www.aidevlab.org（人工智能与发展实验室）
本文提出一种框架，用于在演绎逻辑和归纳逻辑之间导航，探讨研究人口不平等时可解释性与灵活性的权衡。
2025-12-26 cs.AI cs.CY cs.LG
