On the Relative Expressiveness of Argumentation Frameworks, Normal Logic Programs and Abstract Dialectical Frameworks
Computer Science Institute Leipzig University(莱比锡大学计算机科学研究所)
分析了抽象论证框架、规范逻辑程序和抽象辩证框架的二值语义的表达性。通过表达性,我们指的是在给定的命题签名上仅使用来自该签名的原子来编码所需的二值解释集合的能力。虽然所有这些语言的二值模型存在问题的计算复杂性是(几乎)相同的,我们表明,语言形成一个整洁的层次结构,就其表现力。
2014-05-05 cs.AI cs.LO
CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching
提出CausalFlip基准,通过构建语义相似但因果答案相反的问题对和噪声前缀评估,揭示LLM依赖语义匹配而非因果推理,并验证内化因果推理方法可提升因果基础。
2026-06-29 cs.AI
DMCD: Semantic-Statistical Framework for Causal Discovery
Causify AI
DMCD通过结合语义引导的先验和统计验证,实现了在因果发现任务中的高性能表现。
2026-02-23 cs.AI
Causal Counterfactuals Reconsidered
University College London(伦敦大学学院)
本文提出了一种扩展的反事实概率语义,结合了对因果决定论的否定与对反事实语义可能性的认可。
2025-12-14 cs.AI
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
Uncovering Hidden Correctness in LLM Causal Reasoning via Symbolic Verification
University of Toronto(多伦多大学);Vector Institute(向量研究所);ETH Zürich(苏黎世联邦理工学院);MPI for Intelligent Systems(智能系统研究所);ETH AI Center(苏黎世联邦理工学院人工智能中心)
本文提出DoVerifier,通过符号验证揭示LLM因果推理中的隐藏正确性,提升因果推理评估的严谨性与信息量。
2026-01-29 cs.AI
Causal Graph based Event Reasoning using Semantic Relation Experts
Stony Brook University(石英 Brook 大学);University of Pennsylvania(宾夕法尼亚大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);United States Naval Academy(美国海军学院)
针对LLM难以识别事件因果关系的问题,提出多语义关系专家协作生成因果事件图的方法,并验证其可提升事件预测等下游推理表现。
2025-06-07 cs.AI
Semantic Causal-Factor Inference from Aviation Incident Narratives Using A Variational Autoencoder with Cosine-Similarity-Based Reconstruction
SDAIA-KFUPM Joint Research Center for Artificial Intelligence, King Fahd University of Petroleum and Minerals (KFUPM)(SDAIA-KFUPM人工智能联合研究中心,法赫德国王石油与矿产大学);University of New South Wales(新南威尔士大学)
本研究提出结合自然语言处理与变分自编码器的框架,从航空事故叙述中推断语义因果因素,在2万余份NTSB报告上实现0.786的余弦相似度,展示了AI辅助提取因果信息的潜力。
2026-10-06 cs.AI
C3-UniMM: Causal Cycle-Consistent Unified Multimodal Modeling via Super Alignment and Shared Decoding Space
Hunan University(湖南大学);Tsinghua University(清华大学)
本文提出C3-UniMM框架,通过结构化隐式因果图(SLCG)与统一解码空间解决现有统一多模态模型的跨模态结构一致性问题,在多任务上性能优于现有基线。
2026-09-01 cs.AI
Expressiveness and machine processability of Knowledge Organization Systems (KOS): An analysis of concepts and relations
本文通过比较Eurovoc、LCSH、DDC与CIDOC-CRM在概念和关系定义上的差异,揭示KOS表达力与机器可处理性受结构规则制约,并指出从概念建模转向关系建模的范式转变。
2020-03-11 cs.AI cs.CL cs.DL
On Properties of Update Sequences Based on Causal Rejection
我们考虑一种方法来更新表示为扩展逻辑程序下回答集语义的非单调知识库。新的信息被纳入到当前的知识库的因果关系拒绝原则,强制执行,在冲突的情况下,较新的规则是首选和旧的规则被推翻。这样的拒绝原理也在其他方法中被利用来更新逻辑程序,例如,在Alferes等人提出的动态逻辑规划中,我们给出了我们的方法的性质的深入分析,得到更好的理解因果拒绝原则。本文从理论变化和非单调推理两个方面对更新算子和修正算子的假设进行了综述,并给出了一些新的性质。然后,我们考虑改进我们的语义,其中包括一个概念的变化最小。以及,我们调查的关系,其他方法,表明我们的方法是语义上等价的继承程序Buccafurri等人。它符合某些类的动态逻辑程序,我们提供的图形条件方面的特征。因此,我们关于因果拒绝原理性质的大部分结果也适用于这些方法。最后,我们处理我们的方法的计算复杂性,并概述了如何更新语义及其改进可以实现现有的逻辑编程引擎。
2001-09-05 cs.AI
Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach
Department of Computing(计算系);Imperial College London(帝国理工学院伦敦分校)
本文提出利用大语言模型作为不完美的专家,结合语义结构先验和条件独立性证据,实现因果发现的先进方法。
2026-08-12 cs.AI
Semantic Causality-Aware Vision-Based 3D Occupancy Prediction
SKL-IOTSC, CIS, University of Macau(澳门大学SKL-IOTSC研究所、CIS学院);COWAROBOT Co. Ltd.(COWAROBOT公司)
本文提出一种语义因果感知的因果损失,实现2D到3D变换流水线的端到端监督,并设计三个组件,在Occ3D基准上达到最先进性能,增强对相机扰动的鲁棒性。
2025-09-10 cs.AI cs.CV
Advanced Semantics for Commonsense Knowledge Extraction
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
关于概念及其属性的常识知识(CSK)对于AI应用程序(如健壮的聊天机器人)非常有用。以前的作品,如ConceptNet,TupleKB和其他人编译了大型CSK集合,但其表达能力仅限于S的简单概念和P和O的单一字符串的主题-谓词-对象(SPO)三元组。此外,这些项目要么优先考虑精确度,要么优先考虑召回率,但很难调和这些互补的目标。本文提出了一种名为Ascent的方法,可以自动构建CSK断言的大规模知识库(KB),具有先进的表达能力以及比之前的工作更好的精确度和召回率。Ascent通过捕获具有子组和方面的复合概念,并通过使用语义方面精炼断言,超越了三元组。后者对于表示断言和进一步限定符的时间和空间有效性是重要的。Ascent将开放的信息抽取与使用语言模型的明智清理相结合。内在评估显示了Ascent KB的卓越尺寸和质量,而QA支持任务的外在评估则强调了Ascent的优势。可以在https://ascent.mpi-inf.mpg.de/上找到Web界面、数据和代码。
2022-10-25 cs.AI cs.CL
Logic Programming Semantics for Causal Processes
German University Of Digital Science Potsdam(德国波茨坦数字科学大学)
研究逻辑程序设计语义与因果过程最终状态的关系,指出正逻辑程序稳定模型对应特定过程最终状态,支持模型描述任意起点可达状态,为逻辑程序设计语义讨论提供新视角及时间维度。
2026-07-24 cs.AI cs.LO cs.PL
Semantic Structure Enhanced Event Causality Identification
University of Chinese Academy of Sciences(中国科学院大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
针对事件因果关系识别中隐式关联难以捕获的问题,提出语义结构集成模型SemSIn,利用基于GNN的事件聚合器和基于LSTM的路径聚合器分别建模事件中心结构与事件关联结构,在三个数据集上取得显著提升。
2023-05-22 cs.AI cs.CL
Causality Model for Semantic Understanding on Videos
Columbia University(哥伦比亚大学);National University of Singapore(新加坡国立大学)
本文针对数据不平衡与分布偏移导致的视频理解性能下降问题,提出以因果建模揭示观测相关性背后的真实机制,并用于提升 VidVRD 与 VideoQA 的鲁棒性。
2025-03-16 cs.AI cs.CV
Causal Learning by a Robot with Semantic-Episodic Memory in an Aesop's Fable Experiment
University of East Anglia(东英吉利大学);University of Essex(埃塞克斯大学)
乌鸦,猿,和儿童解决乌鸦和投手的任务(从伊索寓言)表明一个因果关系的理解任务。通过与不同对象的累积交互,认知主体如何抽象出潜在的因果关系来预测新对象的启示?我们通过在机器人上重新制定伊索寓言任务来解决这个问题,并提出a)语义情景记忆的脑引导神经模型; b)四个任务不可知的学习规则,这些规则将回忆过去的情景与当前情景进行比较,以逐步提取隐藏的因果关系。随后的机器人行为说明了因果学习;对新对象的预测收敛到阿基米德原理,独立于学习过程中探索的对象及其累积探索的顺序。
2020-02-29 cs.AI cs.RO
On Semantic Loss Fine-Tuning Approach for Preventing Model Collapse in Causal Reasoning
Technical University of Vienna(维也纳技术大学);HCLTech
本文提出一种语义损失函数,通过图逻辑约束和动态lambda调度防止因果推理中的模型崩溃,提升模型在transitivity和d-separation任务上的准确率。
2026-05-06 cs.AI cs.LG
Causal Interventions on Causal Paths: Mapping GPT-2's Reasoning From Syntax to Semantics
University of Southern California(南加州大学)
本研究针对大语言模型自然语言推理难以通过电路解析的问题,以GPT-2 small为对象开展因果句干预实验,发现因果句法定位在前2-3层、深层特定头关注语义关系,为表征LLM因果推理提供了初步依据。
2024-10-28 cs.AI cs.CL
Testing Pre-trained Language Models' Understanding of Distributivity via Causal Mediation Analysis
University of Washington(华盛顿大学)
预训练的语言模型在多大程度上掌握了关于分布现象的语义知识?在本文中,我们介绍了DistNLI,一个新的诊断数据集的自然语言推理,目标的语义差异所产生的分布性,并采用因果中介分析框架来量化模型的行为,并探讨在这个语义相关的任务的潜在机制。我们发现,模型的理解程度与模型大小和词汇量有关。我们还提供了模型如何编码这种高层次的语义知识的见解。
2022-10-19 cs.AI cs.CL
Learning Causal Semantic Representation for Out-of-Distribution Prediction
Microsoft Research Asia(微软亚洲研究院);Tsinghua University(清华大学);Peking University(北京大学)
传统的监督学习方法,特别是深度学习方法,被发现对分布外(OOD)示例敏感,这主要是因为学习的表示将语义因子与变异因子混合在一起,因为它们具有特定领域的相关性,而只有语义因子会导致输出。为了解决这个问题,我们提出了一个因果语义生成模型(CSG)的基础上的因果推理,使这两个因素分别建模,并开发方法OOD预测从一个单一的训练域,这是常见的和具有挑战性的。该方法是基于因果不变性原理,在变分贝叶斯的有效学习和易于预测的新设计。从理论上证明了在一定条件下,CSG可以通过拟合训练数据来识别语义因子,这种语义识别保证了OOD泛化误差的有界性和自适应的成功性。实证研究表明,OOD的业绩比现行基准有所改善。
2021-11-01 cs.AI cs.LG stat.ML
Measuring Similarity in Causal Graphs: A Framework for Semantic and Structural Analysis
MGH Institute for Technology Assessment(MGH技术评估研究所);Harvard Medical School(哈佛医学院);Sloan School of Management(斯隆管理学院);Massachusetts Institute of Technology(麻省理工学院)
针对因果图比较中语义关系缺失的问题,本文构建语义与结构双重视角的分析框架,评估4种语义相似性指标和5种图核,并用2,000个生成式AI因果图验证多指标互补性。
2025-03-14 cs.AI cs.LG
Surjective Independence of Causal Influences for Local Bayesian Network Structures
University of Warwick(沃里克大学)
针对贝叶斯网络参数化中专家判断负担重、数量多及ICI假设过强的问题,本文提出放宽该假设的SICI局部结构模型,以支持更实用高效的参数化。
2025-09-29 cs.AI stat.ME
Advancing Event Causality Identification via Heuristic Semantic Dependency Inquiry Network
College of Computer Science, Sichuan University(四川大学计算机学院)
针对ECI中因果线索缺失与外部知识偏差问题,提出SemDI网络,通过统一编码器和完形填空分析器生成词元以判断事件因果关系,并在三个基准上超越现有方法。
2024-10-02 cs.AI cs.CL cs.IR
How Causality Bridges the Semantic Gap
University of California, San Diego(加利福尼亚大学圣迭戈分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出CausalBridge框架,利用因果结构而非人类知识来弥合测量与语义之间的鸿沟,通过因果图约束下的嵌入对齐为未命名变量赋予语义,实验表明其比现有方法更准确且成本更低。
2026-10-05 cs.AI cs.CL cs.LG
Back to Prior Knowledge: Joint Event Causality Extraction via Convolutional Semantic Infusion
School of Computer Engineering and Science, Shanghai University(上海大学计算机工程与科学学院)
联合事件和因果关系提取是信息检索和数据采掘中一项具有挑战性的重要任务。最近,预先训练的语言模型(例如,BERT)产生最先进的结果,并在各种NLP任务中占主导地位。然而,这些模型是无法强加外部知识领域特定的提取。考虑到表示因果事件的频繁n-gram的先验知识可能有利于事件和因果关系提取,在本文中,我们提出了联合提取框架内具有不同长度窗口的频繁n-gram的卷积知识注入。卷积滤波器初始化期间的知识注入不仅有助于模型捕获事件内(即,事件集群中的特征)和事件间(即,跨事件集群的关联)特征,而且还促进训练收敛。在基准数据集上的实验结果表明,我们的模型显著优于强BERT+CSNN基线。
2021-02-19 cs.AI cs.CL
CSWAM: Better Causal Semantic Representations for Out-of-Distribution Generalization in World Action Models
AIRC, Midea Group(美的集团AIRC);Tongji University(同济大学)
CSWAM通过引入基于V-JEPA的因果语义专家增强FastWAM,利用观测历史提升世界动作模型在分布偏移下的泛化能力,在仿真和真实机器人实验中显著提高成功率。
2026-10-07 cs.AI cs.CV
Causal Unsupervised Semantic Segmentation
School of Electrical Engineering(电气工程学院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文提出CAUSE框架,通过因果推理方法解决无监督语义分割中概念聚类层次确定问题,实现像素级分组,并在多个数据集上取得最佳性能。
2023-10-11 cs.AI cs.CV cs.LG
How Rules Represent Causal Knowledge: Causal Modeling with Probabilistic Logic Programming
研究如何将珀尔的因果方法引入概率逻辑编程,通过与不依赖时间概念的哲学基础对齐,提出形式因果语义等,使其语义与分层ProbLog程序的P-log语义一致,解决因果知识在不同形式主义中的应用问题。
2026-07-24 cs.AI cs.LO cs.PL
TimeMKG: Knowledge-Infused Causal Reasoning for Multivariate Time Series Modeling
本文提出TimeMKG框架,通过大语言模型与多变量知识图谱融合变量语义和时序统计信息,以跨模态注意力注入因果先验,从而提升多变量时间序列预测与分类的性能和泛化能力。
2025-08-15 cs.AI cs.LG
Causal Abstraction Learning based on the Semantic Embedding Principle
Sapienza University(罗马大学);National Inter-University Consortium for Telecommunications (CNIT)(国家大学电信联盟(CNIT));University of Bergen(卑尔根大学)
本文提出基于语义嵌入原则的因果抽象学习框架,通过范畴论方法在概率测度间寻找态射,并针对线性CA结合高斯测度与KL散度开发三种黎曼优化算法,在合成与真实脑数据上验证了有效性。
2025-05-31 cs.AI cs.LG
An Integrated Causal Inference Framework for Traffic Safety Modeling with Semantic Street-View Visual Features
Beijing University of Technology(北京工业大学);University of Central Florida(中佛罗里达大学);Peking University(北京大学)
本文提出集成因果推断框架,利用语义街景特征量化绿化对交通碰撞的因果影响,发现绿化比例显著降低碰撞风险,但对弱势道路使用者保护有限。
2026-02-12 cs.AI cs.CV
Diffusion Counterfactual Generation with Semantic Abduction
Department of Computing, Imperial College London, UK(计算系,伦敦帝国学院,英国)
本文面向反事实图像编辑中的身份保留与因果忠实性难题,提出融合语义表示与 Pearl 因果性的扩散框架,并通过空间、语义和动态溯因实现可控权衡。
2025-06-09 cs.AI cs.CV cs.LG
From semantics to execution: Integrating action planning with reinforcement learning for robotic causal problem-solving
强化学习是在噪声条件下鲁棒地执行低级别机器人控制的适当且成功的方法。符号行动计划有助于解决因果依赖关系,并将因果关系复杂的问题分解为一系列更简单的高级行动。这两种方法的集成的一个问题是,行动规划是基于离散的高级动作和状态空间,而强化学习通常是由连续的奖励函数驱动。然而,强化学习的最新进展,特别是通用价值函数逼近器和事后经验重放,都集中在基于稀疏奖励的目标无关方法上。在本文中,我们建立在这些新方法的基础上,通过利用奖励稀疏性作为高级和低级状态和控制空间之间的桥梁,促进行动规划与强化学习的集成。因此,我们证明了集成的神经符号的方法是能够解决对象操作问题,涉及工具使用和非平凡的因果依赖关系在嘈杂的条件下,利用数据和知识。
2019-12-08 cs.AI cs.LG cs.RO
In Machina N400: Pinpointing Where a Causal Language Model Detects Semantic Violations
Independent Researcher(独立研究者);Université Paris 8 Vincennes - Saint-Denis, Paris, France(巴黎第八大学凡尔赛-圣但尼分校)
研究探讨因果语言模型如何检测语义违规,发现模型在中间层能有效区分合理与不合理句子,且违规信息在中间瓶颈后坍塌,与人类阅读中语义异常检测的理论相呼应。
2025-11-24 cs.AI cs.CL
The Causal Structure of Semantic Ambiguities
University College London(伦敦大学学院)
本研究利用层论因果模型形式化语义歧义的消歧过程,识别出主语-动词和宾语-动词两种主要消歧顺序,并验证了多义动词消歧延迟的心理语言学发现。
2023-11-15 cs.AI cs.CL quant-ph
FedSDWC: Federated Synergistic Dual-Representation Weak Causal Learning for OOD
本文提出FedSDWC,通过整合不变和变异特征,提升联邦学习在领域外数据检测中的泛化能力,实验显示其在CIFAR-10和CIFAR-100上优于FedICON。
2026-03-17 cs.AI cs.LG
CaST: Causal Discovery via Spatio-Temporal Graphs in Disaster Tweets
CaST通过整合语义、时空信息,利用大规模语言模型构建事件图,实现灾难推文中更稳健和可解释的因果发现。
2026-02-01 cs.AI cs.SI
Sparse Feature Coactivation Reveals Causal Semantic Modules in Large Language Models
Georgia Institute of Technology(佐治亚理工学院);Brown University(布朗大学);University of Michigan(密歇根大学)
通过稀疏自编码器特征的共激活,研究发现大语言模型中存在语义连贯且上下文一致的网络组件,揭示了模型的模块化结构及高效操控方法。
2026-04-20 cs.AI cs.CL
Causal Spherical Hypergraph Networks for Modelling Social Uncertainty
提出因果球面超图网络(Causal-SphHN),通过超球面嵌入、超边、香农熵和格兰杰因果子图,联合建模高阶结构、方向影响和认知不确定性,在多个数据集上提升预测性能并支持可解释分析。
2025-06-21 cs.AI cs.LG
Evaluating Semantic Variation in Text-to-Image Synthesis: A Causal Perspective
Fudan University(复旦大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Zhejiang University(浙江大学);Renmin University of China(中国人民大学);Alibaba Group(阿里巴巴集团)
针对T2I合成模型难捕捉词序变化语义差异、现有评估指标不可靠的问题,提出因果视角的SemVarEffect指标与SemVarBench基准,评估语义变化因果关系,发现跨模态对齐关键作用,推动指令理解探索。
2025-04-17 cs.AI cs.CL cs.CV