DES: a Challenge Problem for Nonmonotonic Reasoning Systems
美国的数据加密标准（DES）被提出作为非单调推理系统的一个有趣的基准问题，因为（i）它提供了一组工业相关的测试用例，这些测试用例具有随机生成问题和真实世界问题的特征，（ii）DES使用具有稳定模型语义的正常逻辑程序的表示简单且易于理解，和（iii）这个逻辑程序子类可以被看作是非单调推理的许多其他形式化的有趣的特殊情况。本文提出了DES作为逻辑程序的两种编码：一种是标准规范外的直接编码，另一种是扩展Massacci和Marraro工作的优化编码。利用Smodels系统作为稳定模型语义的实现，研究了编码的计算特性，并将其用于DES密钥搜索。结果表明，编码和S模型是相当有竞争力的：他们优于国家的最先进的SAT检查器与DES到SAT的优化编码工作，并与SAT检查器，是定制和优化的SAT编码调整。
2000-03-08 cs.AI
Extending Classical Logic with Inductive Definitions
本文的目的是扩展经典逻辑与归纳定义的广义概念支持积极和消极的归纳，探讨这种逻辑的性质，它与其他逻辑领域的非单调推理，逻辑程序设计和演绎数据库的关系，并显示其应用的知识表示通过给出一个类型的定义知识。
2000-03-07 cs.AI cs.LO
Plausible Reasoning about EL-Ontologies using Concept Interpolation
Cardiff University（卡迪夫大学）
描述逻辑（DL）是用于建模本体（即关于概念及其之间关系的知识）的标准知识表示语言。不幸的是，DL本体很难从数据中学习，并且手动编码耗时。因此，广泛领域的本体几乎不可避免地是不完整的。近年来，已经提出了一些数据驱动的方法来自动扩展这样的本体。一类方法依赖于从文本描述导出的概念的表征。虽然这种表征不直接捕获本体知识，但它们编码了关于不同概念之间的相似性的信息，这些信息可以用于填补现有本体中的空白。为此，已经提出了几种归纳推理机制，但这些都是以启发式的方式定义和使用的。在本文中，我们提出了一个归纳推理机制，它是基于一个明确的模型理论语义，因此可以紧密结合标准的演绎推理。我们特别关注插值，这是一个强大的常识推理机制，它与基于类别的归纳的认知模型密切相关。除了形式化的基本语义，作为我们的主要技术贡献，我们提供了计算复杂性界限EL推理与此插值机制。
2020-06-25 cs.AI
Extending Complex Logical Queries on Uncertain Knowledge Graphs
Department of Mathematical Sciences, Tsinghua University, Beijing, China（清华大学数学科学系）；CSE, HKUST, HKSAR, China（香港科技大学计算机科学与工程系）；Department of Computer Science, Princeton University, Princeton, United States（普林斯顿大学计算机科学系）
针对不确定知识与现有一阶逻辑研究不匹配的问题，提出结合前向推理与后向校准的神经符号方法，用于解答不确定知识图谱上的软查询，兼具理论可靠性与更优性能。
2025-05-20 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
Reasoning with Contextual Knowledge and Influence Diagrams
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Milano-Bicocca（米兰比可卡大学）
影响图（ID）是众所周知的形式主义扩展贝叶斯网络模型的决策情况下的不确定性。虽然他们是方便的决策理论工具，他们的知识表示能力是有限的，在捕捉其他关键的概念，如逻辑一致性。我们补充ID与轻量级的描述逻辑（DL）EL，以克服这些限制。我们考虑一个DL公理在某些上下文中成立的设置，但实际的上下文是不确定的。该框架受益于使用DL作为领域知识表示语言的便利性和ID的建模强度，以处理在上下文存在不确定性的情况下的决策。我们定义了相关的推理问题，并研究了它们的计算复杂性。
2020-07-01 cs.AI cs.LO
Extending SROIQ with Constraint Networks and Grounded Circumscription
Indian Institute of Technology, Mandi（曼迪印度理工学院）；SCHOOL OF COMPUTING AND ELECTRICAL ENGINEERING（计算与电气工程学院）
语义网技术的发展促进了不同领域知识的本体编码。然而，许多实际领域的建模需要比标准描述逻辑（最突出的SROIQ）支持更多的表现力。在本文中，我们扩展了表达的DL SROIQ与约束网络（导致在逻辑SROIQc）和接地限制（导致在逻辑GC-SROIQ）。约束建模的应用包括嵌入具有时间或空间信息的本体，而接地限制的应用包括可撤销推理和封闭世界推理。我们描述的语法和语义的逻辑形成，包括约束建模结构在SROIQ，并提供了一个健全的，完整的和终止tableau算法，我们进一步提供了一个直观的算法，在SROIQc的接地外切，它坚持接地外切的一般框架，并可以应用到整个范围的表达逻辑，目前还没有这样的具体算法存在。
2015-08-01 cs.AI cs.LO
The External Interface for Extending WASP
University of Genova（热那亚大学）；University of Calabria（卡拉布里亚大学）
回答集程序设计（ASP）是一种成功的知识表示和推理的声明式形式。目前，ASP程序的评估是基于上下文驱动的子句学习（CDCL）的回溯搜索算法。最近的工作表明，基于CDCL的实现的性能可以大大提高特定的基准测试，通过扩展他们的解决能力与自定义的算法和传播。然而，将这样的算法嵌入到现有的系统中需要ASP实现内部的专业知识。通过提供合适的编程接口，可以更容易地开发有效的求解器扩展。在本文中，我们提出的接口扩展CDCL为基础的ASP求解器WASP。该接口是通用的，即它可以用于提供新的分支算法和传播器，以及外部的，即新算法的实现不需要WASP的内部修改。此外，我们回顾了应用程序的接口见证它可以成功地用于扩展WASP有效地解决现实世界和合成问题的硬实例。逻辑程序设计理论与实践（TPLP）
2018-11-06 cs.AI cs.LO
Are you Talking Logic to Me? Assessing Language Models Syllogistic Reasoning Capabilities
Université Côte d’Azur（科特阿祖尔大学）；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）；I3S（信息科学与系统实验室）；Data ScienceTech Institute（数据科学技术学院）
该研究通过扩展FOLIO和P-FOLIO数据集，探究不同KR符号对SLMs三段论推理的影响，提出SEF分类法并开源CLGC框架，为提升小型模型推理能力提供了新方法。
2026-08-14 cs.AI cs.CL
Why Settle for Just One? Extending EL++ Ontology Embeddings with Many-to-Many Relationships
International Institute of Information Technology（国际信息技术学院）；Adobe Research（奥多比研究院）；Indraprastha Institute of Information Technology（因德拉普拉斯塔信息技术学院）
知识图谱（KG）嵌入提供知识图谱的实体和关系的低维表示，并且成功地用于各种应用，诸如问答和搜索、推理、推断和丢失链接预测。然而，大多数现有的KG嵌入只考虑图的网络结构，而忽略了提供KG中实体之间关系的关键信息的底层本体的语义和特征。最近在这个方向上的努力涉及学习嵌入的描述逻辑（本体的逻辑基础）命名为EL++。然而，这些方法认为所有的关系定义在本体是一对一，这严重限制了他们的性能和应用。我们提供了一个简单而有效的解决方案来克服这个缺点，允许这样的方法在学习嵌入表示时考虑多对多的关系。使用三种不同的EL++本体进行的实验表明，在五个基线的性能大幅提高。我们提出的解决方案还为学习更有表现力的描述逻辑（如SROIQ）的嵌入表示铺平了道路。
2021-10-20 cs.AI cs.LG
Utilizing Treewidth for Quantitative Reasoning on Epistemic Logic Programs
TU Wien（维也纳工业大学）
扩展流行的答案集编程（ASP）的范式内省推理能力，在过去的几年里已经收到了越来越多的兴趣。特别注意的是给予形式主义的认识逻辑程序（ELP）的标准规则配备了模态算子，允许表达条件的文字是已知的或可能的，即，分别包含在所有或一些答案集中。因此，ELP提供了多个答案集，称为世界观。迄今为止，使用ELP进行推理问题主要限于标准决策问题（复杂性分析）和世界观的枚举（系统开发）。在本文中，我们采取了下一步，并有助于认知逻辑编程在两个方面：首先，我们建立定量推理ELP，其中接受一定的文字集取决于世界观的数量（比例）是兼容的。其次，我们提出了一个新的系统，能够有效地解决基本的计数问题，需要回答这样的定量推理问题。我们的系统利用基于图形的措施树宽和工程迭代发现和精炼（图形）抽象的ELP程序。在这些抽象之上，我们应用动态规划，结合利用现有的基于搜索的求解器，如（e）clingo的硬组合子问题，在解决过程中出现。事实证明，我们的方法与最近推出的现有系统相比具有竞争力。这项工作正在考虑接受在TPLP。
2021-08-06 cs.AI cs.CC cs.DS
Extending Automated Deduction for Commonsense Reasoning
Tallinn University of Technology（塔林理工大学）
常识推理一直被认为是人工智能的圣杯之一。该领域的大多数最新进展都是通过用于自然语言处理的新型机器学习算法实现的。然而，如果不结合逻辑推理，这些算法仍然可以说是肤浅的。除了一些值得注意的例外，实际的自动化逻辑推理机的开发人员大多避免关注这个问题。本文认为，经典一阶逻辑的现有自动推理机所使用的方法和算法可以扩展到常识推理。而不是设计新的专门的逻辑，我们提出了一个框架的扩展主流的分辨率为基础的搜索方法，使这些能够执行搜索任务的实际常识推理合理的效率。建议的扩展主要依赖于普通的证明树上操作，旨在处理常识知识库，包含不一致，默认规则，分类，主题，相关性，置信度和相似性的措施。我们认为，机器学习最适合于常识知识库的构建，而扩展的基于逻辑的方法将非常适合于实际回答来自这些知识库的查询。
2020-03-29 cs.AI
Extending Token Computation for LLM Reasoning
Kyushu University（九州大学）
针对大语言模型因注意力分布低效难以应对复杂推理的问题，本文提出在思维链过程中通过模拟早期层注意力模式扩展计算token的方法，显著提升了模型尤其是非STEM领域的推理能力，为LLM设计创新奠定基础。
2024-06-23 cs.AI cs.CL
Reasoning about the Value of Decision-Model Refinement: Methods and Application
Stanford University（斯坦福大学）；Rockwell International Science Center（罗克韦尔国际科学中心）；National University of Singapore（新加坡国立大学）
我们调查的价值，沿着不同维度的细化扩展的决策模型的完整性。具体来说，我们分析了决策模型的定量，概念和结构细化的期望值。我们举例说明了细化的关键维度。模型细化的价值分析可用于将分析者或自动推理系统的注意力集中在与最大期望值相关联的决策模型的扩展上。
2013-03-06 cs.AI
Beyond Memorization: Extending Reasoning Depth with Recurrence, Memory and Test-Time Compute Scaling
MBZUAI（马克斯·普朗克智能研究院）；MIRAI；Cognitive AI Systems Lab（认知人工智能系统实验室）；London Institute for Mathematical Sciences（伦敦数学科学研究所）
研究通过细胞自动机框架探讨多步推理机制，发现LLM在推理步骤增加时性能下降，递归、记忆和测试时计算能提升结果但有限。
2026-05-07 cs.AI cs.LG
Comparing and extending the use of defeasible argumentation with quantitative data in real-world contexts
Technological University Dublin（都柏林理工大学）
本研究评估可废止论证在非单调推理中的推理能力，与模糊推理和专家系统基线比较，应用于维基百科编辑者信任推断，证明其鲁棒性并公开实现。
2022-06-28 cs.AI
Scene-LLM: Extending Language Model for 3D Visual Understanding and Reasoning
Brown University（布朗大学）；ETH Zurich（苏黎世联邦理工学院）；Meta AI
本文提出Scene-LLM，一种整合LLM推理能力的3D视觉语言模型，通过混合3D视觉特征表示及场景级与自我中心视角信息的结合，显著提升了具身智能体在3D室内环境中的视觉理解、定位与交互式规划能力。
2024-03-22 cs.AI cs.CV
Extending Compositional Attention Networks for Social Reasoning in Videos
National Technical University of Athens（雅典国立技术大学）；Institute for Speech and Language Processing（言语与语言处理研究所）
我们提出了一种新的深度架构，用于推理视频中的社交互动。我们利用组合注意力网络（MAC）的多步推理能力，并提出了一个多模态扩展（MAC-X）。MAC-X是基于一个循环的细胞，执行迭代中级融合的输入模态（视觉，听觉，文本）在多个推理步骤，通过使用时间注意力机制。然后，我们将MAC-X与LSTM结合起来，在端到端架构中进行时间输入处理。我们的消融研究表明，建议的MAC-X架构可以有效地利用多模态输入线索使用中级融合机制。我们将MAC-X应用于Social IQ数据集中的社交视频问答任务，并在当前最先进的技术水平上获得了2.5%的二进制准确度绝对提高。
2022-10-03 cs.AI cs.CL cs.CV
PluraMath: Extending Mathematical Reasoning Evaluation Beyond High-Resource Languages
Technical University of Munich（慕尼黑技术大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Munich Data Science Institute（慕尼黑数据科学研究所）；Applied AI Institute（应用人工智能研究所）；Charles University（查尔斯大学）；Nazarbayev University（纳扎尔拜大学）；Inria（法国国家信息与自动化研究所）；Indian Institute of Technology, Kharagpur (IIT Kharagpur)（印度Kharagpur理工学院）；German University of Digital Science（德国数字科学大学）
研究针对数学推理评估基准偏向高资源语言的问题，引入PluraMath，将其扩展到18种资源不足语言，通过人工策划构建数据集，对27个推理LLMs进行基准测试，分析性能差距，开源相关内容以推动多语言基准开发。
2026-07-08 cs.AI cs.CL
Be My Eyes: Extending Large Language Models to New Modalities Through Multi-Agent Collaboration
University of Southern California（南加州大学）；Microsoft Research（微软研究院）；University of California, Davis（加州大学戴维斯分校）
BeMyEyes通过多智能体协作扩展LLMs到多模态推理，利用高效VLMs与强大LLMs的互补优势，实现轻量级开源解决方案。
2025-11-24 cs.AI cs.CL cs.LG
Extending Test-Time Scaling: A 3D Perspective with Context, Batch, and Turn
Tsinghua University（清华大学）；New York University（纽约大学）
本文提出三维测试时间缩放框架，通过上下文、批量和回合三个维度提升推理性能，并在多个测试环境中验证其有效性。
2025-11-21 cs.AI cs.LG
Extending Signature-based Intrusion Detection Systems WithBayesian Abductive Reasoning
UMBC（马里兰大学巴尔的摩县分校）
随着新的恶意软件不断发布，不断演变的网络安全威胁是systemadministry和安全专家面临的持续挑战。攻击者可能会在商业产品中寻找漏洞，或者执行复杂的侦察活动来了解目标网络，并收集防火墙和入侵检测/防御系统（基于网络或主机）等安全产品的信息。许多新的攻击往往是对现有攻击的修改。在这种情况下，基于规则的系统无法检测到攻击，即使识别新攻击和现有攻击的规则之间的条件/属性存在微小差异。为了检测这些差异，IDS必须能够隔离为真的条件子集，并预测必须观察的可能条件（与原始条件不同）。在本文中，我们提出了一种概率溯因推理方法，该方法增强了现有的基于规则的IDS（IDS [29]），通过（a）预测可能发生的规则条件（基于现有规则）和（b）在提供种子规则（即起始规则）时能够生成新的规则，以减少专家不断更新它们的负担，来检测这些进化的攻击。我们通过从MACDC 2012规则集生成新规则并在MACDC 2012数据集上进行测试来证明该方法的有效性[6]。
2019-03-28 cs.AI cs.CR cs.LG
Extending Logical Neural Networks using First-Order Theories
Yale University（耶鲁大学）
逻辑神经网络（LNN）是一种结合了神经网络的学习能力和形式逻辑系统的符号推理能力的体系结构。LLN为程序员提供了通过逻辑公式隐式修改神经网络底层结构的能力。在本文中，我们利用这种抽象来扩展LNN，通过一阶理论来支持等式和函数符号。这种扩展通过显著增加LNN可以处理的问题类型来提高LNN的能力。作为概念的证明，我们增加了对一阶理论的平等IBM的LNN库的支持，并演示了如何引入这允许LNN库现在的原因表达式，而不需要作出唯一的名称假设。
2022-08-11 cs.AI cs.LO
Enhancing Reasoning with Collaboration and Memory
Google DeepMind（谷歌DeepMind）
本文研究多智能体协作与记忆库对LLM推理的增强作用，提出变语境智能体和摘要智能体，并发现随机示例选择常优于原则性方法，某些任务中示例反而干扰模型。
2025-03-07 cs.AI cs.LG
RLFR: Extending Reinforcement Learning for LLMs with Flow Environment
University of Science and Technology of China（中国科学技术大学）；Shanghai Innovation Institute（上海创新研究院）；ByteDance（字节跳动）；Wuhan University（武汉大学）；Southeast University（东南大学）
针对RLVR中二元验证忽略潜在探索的问题，提出RLFR方法，利用off-policy和on-policy数据构建模型隐变量流场，量化策略隐变量的速度偏差作为奖励信号，在语言和多模态推理基准上验证了流奖励的可靠性。
2025-10-11 cs.AI cs.CL cs.LG
