Decision Making "Biases" and Support for Assumption-Based Higher-Order Reasoning
Decision Science Consortium, Inc.(决策科学联盟公司)
人类的决策似乎系统地违反了规范理论所施加的一致性约束,这些偏见反过来又证明了正式的决策分析模型的应用是合理的。有人认为,这两种说法都是错误的。特别是,我们将认为,“确认偏见”是基于一个过于狭隘的观点,如何相互矛盾的证据是,应该被处理。有效的决策辅助应侧重于支持控制过程,通过控制过程,知识被扩展到新的情况,并在其中采用,利用和修改假设。非单调概率论者代表了这种援助的初步工作。
2013-03-27 cs.AI
Applying the Closed World Assumption to SUMO-based FOL Ontologies for Effective Commonsense Reasoning
University of the Basque Country (UPV/EHU)(巴斯克地区大学)
最常见的是,开放世界假设被采用作为设计,构建和使用本体的标准策略。这种策略限制了任何系统的推理能力,因为非断言语句(缺少知识)可以被假设为真或假。正如我们将证明的,这是特别是一阶逻辑(FOL)本体的情况下,非断言语句是当今的主要障碍之一,其实际应用中的自动常识推理任务。在本文中,我们调查的封闭世界假设(CWA)的应用,使更好地利用FOL本体使用国家的最先进的自动定理证明。为此,我们探索了不同的CWA公式的结构知识编码在FOL翻译的相扑本体,发现几乎30%的结构知识是失踪。我们评估这些配方的实际实验中使用一个非常大的常识基准WordNet通过其映射到相扑。实验结果表明,在CWA框架下,本体的推理能力提高了50%以上。因此,将CWA自动应用于FOL本体减少了它们的歧义,并且可以回答更多的常识问题
2020-03-04 cs.AI
Preference Elicitation in Assumption-Based Argumentation
King’s College London(伦敦国王学院);University of Aberdeen(阿伯丁大学)
各种结构化论证框架利用偏好作为其标准推理过程的一部分,以实现具有偏好的推理。在本文中,我们考虑一个逆的标准推理问题,试图确定什么样的偏好的假设可能会导致一组给定的结论。我们接地我们的工作在基于假设的论证(ABA)的框架,并提出了一个算法,计算和枚举所有可能的偏好设置在系统中的假设,从所需的无冲突的结论集可以在给定的语义下获得。在描述了我们的算法之后,我们建立了它的可靠性、完备性和复杂性。
2020-05-12 cs.AI
Splitting Assumption-Based Argumentation Frameworks
Institute of Logic and Computation, TU Wien, Austria(逻辑与计算研究所,维也纳技术大学,奥地利)
本文提出在知识库层面而非图论实例层面进行分解,以解决基于假设的论辩框架的计算复杂性问题,并推广了参数化分解方法。
2026-04-30 cs.AI
Making Decisions with Belief Functions
SRI International(SRI国际公司);Artificial Intelligence Center(人工智能中心)
不确定性推理的一个主要动机是在面对非决定性证据时得出决策。然而,谢弗的信念函数理论,它明确地表示了许多推理问题的约束不足的性质,缺乏一个正式的决策程序。显然,当没有足够的信息可用时,没有任何理论可以在不做额外假设的情况下规定行动。面对这种情况,如果要出现一个明显更优的选择,就必须做出一些假设。在本文中,我们提供了一个简单的假设,消除歧义的决策问题表示的信念函数的概率解释。我们证明,它产生的期望值相同的概率分析,使相同的假设。此外,我们展示了如何经常在概率推理中使用的决策分析方法可以扩展到使用的信念函数。
2013-03-27 cs.AI
Harnessing Incremental Answer Set Solving for Reasoning in Assumption-Based Argumentation
University of Helsinki(赫尔辛基大学);Graz University of Technology(格拉茨工业大学)
基于假设的论证(ABA)是一种中心结构化的论证形式。如最近所示,答案集编程(ASP),使有效地解决NP难推理任务的ABA在实践中,特别是在普遍研究的逻辑编程片段的ABA。在这项工作中,我们利用最近的进展,在增量ASP解决开发有效的算法推理任务的逻辑编程片段ABA的多项式层次结构的第二个层次,包括怀疑推理下的首选语义以及优先推理,大概是很难。特别是,我们开发了非平凡的反例指导的抽象细化程序的基础上,增量ASP解决这些任务。我们还表明经验的程序是显着更有效的比以前提出的算法的任务。本文件正在考虑被TPLP接受。
2021-08-09 cs.AI cs.LO
Properties of ABA+ for Non-Monotonic Reasoning
Imperial College London(伦敦帝国学院)
我们调查ABA+,形式主义,扩展了研究结构化的论证形式主义假设为基础的论证(ABA)的偏好处理机制的属性。特别是,我们建立理想的属性,ABA+语义展示。这些铺平了道路,以满足ABA+的一些(可以说)理想的原则,偏好处理在论证和非单调推理,以及非单调推理属性的ABA+各种语义。
2017-11-05 cs.AI
Instantiations and Computational Aspects of Non-Flat Assumption-based Argumentation
University of Helsinki(赫尔辛基大学);Imperial College London(伦敦帝国理工学院);Leipzig University(莱比锡大学);Graz University of Technology(格拉茨工业大学)
针对非平坦假设基论证,提出基于双极论证框架的实例化方法,识别冗余参数并给出两种推理算法,实验表明实例化方法在多数情况下更优。
2024-05-24 cs.AI
Some Properties of Plausible Reasoning
NASA Ames Research Center(NASA艾姆斯研究中心)
本文提出了一个似然推理系统来说明知识表示中的一些广泛问题:不同推理形式之间的二重性,统一互补推理风格的困难,以及似然推理的近似性质。这些问题有一个共同的基本主题:应该有一个基本的信念演算,其中许多不同的推理形式是特例,有时是近似的。该系统允许推理的默认情况下,可能性,必要性和可能性的方式类似于早期的工作亚当斯。该系统基于主观贝叶斯概率的信念演算,而主观贝叶斯概率本身基于关于如何操纵信念的一些简单假设。系统的近似,语义,一致性和后果的结果。虽然这使得这些经常讨论的似是而非的推理形式的概率基础上,有用的应用到实际问题仍然是一个问题。
2013-03-20 cs.AI
Does More Inference-Time Compute Really Help Robustness?
Princeton University(普林斯顿大学);NVIDIA(NVIDIA公司);Carnegie Mellon University(卡内基梅隆大学);Google DeepMind(谷歌DeepMind)
本文研究推理时计算对模型鲁棒性的影响,发现开源小模型也能受益,但若中间推理步骤暴露给攻击者,增加推理时计算反而会持续降低鲁棒性,提示安全敏感场景需谨慎权衡。
2025-07-21 cs.AI
Assumption-Based Planning
Laboratoire Leibniz(莱布尼茨实验室);CNRS(法国国家科学研究中心);INPG(格勒诺布尔国立理工学院);IMAG(格勒诺布尔计算机与应用数学研究所)
本文的目的是介绍一种新的规划方法,称为基于假设的规划。这种方法是一个非常有趣的方式来设计一个计划的基础上的多智能体系统,其中生产的全球共享计划是通过猜想/反驳周期。与经典的方法相反,我们的贡献依赖于代理推理,导致生产计划从规划域。考虑到复杂的环境和部分代理的知识,我们建议考虑规划问题作为一个可废止的推理代理交换建议和反建议,并能够对不确定性的原因。代理人之间的辩论对话不应被视为谈判过程,而应被视为建立计划的调查过程。在本文中,我们专注于允许代理根据其知识产生“合理”建议的机制。
2018-10-19 cs.AI
ABA+: Assumption-Based Argumentation with Preferences
Imperial College London(帝国理工学院)
我们提出了ABA+,一种新的方法来处理偏好在一个众所周知的结构化的论证形式主义,基于假设的论证(ABA)。在ABA+中,对假设给出的偏好信息被直接纳入攻击关系,从而导致攻击逆转。ABA+保守地扩展了ABA,并表现出各种理想的功能,讨论语义之间的关系,以及偏好处理。我们还引入了弱对位,这是一个关于规则和偏好推理的原则,它放松了对位的标准原则,同时保证了ABA+的额外理想功能。
2016-10-12 cs.AI
Hypothesis Testing Prompting Improves Deductive Reasoning in Large Language Models
Shanghai Jiao Tong University(上海交通大学);MoE Key Lab of Artificial Intelligence(教育部人工智能重点实验室);AI Institute(人工智能研究院);State Key Lab of Advanced Optical Communication System and Network(先进光通信系统与网络国家重点实验室)
针对大语言模型现有提示方法在复杂推理中存在无效推理、路径虚构等问题,提出加入结论假设、逆向推理与事实验证的假设检验提示法,在ProofWriter和RuleTaker数据集上显著提升效果并优化推理过程。
2024-05-09 cs.AI cs.CL
Relations between assumption-based approaches in nonmonotonic logic and formal argumentation
Institute of Philosophy II, Ruhr Universität Bochum(波鸿鲁尔大学第二哲学研究所);Ruhr Universität Bochum(波鸿鲁尔大学)
在本文中,我们作出的贡献,统一的形式模型的可废止推理。我们提出了几个翻译之间的正式论证框架和非单调逻辑推理合理的假设。更具体地说,我们将自适应逻辑转换为基于推理的论证,将ASPIC+、ASPIC+转换为基于推理的论证,将基于推理的论证的一个片段转换为自适应逻辑。自适应逻辑与梅金森的默认假设密切相关,并且与KLM和Shoham的偏好语义传统中的一类重要系统密切相关。因此,我们的研究结果也提供了正式的论证和后者的方法之间的密切联系。
2016-04-01 cs.AI cs.LO
Bridging Legal Interpretation and Formal Logic: Faithfulness, Assumption, and the Future of AI Legal Reasoning
University of California, Santa Cruz(加州大学圣克鲁兹分校)
本文提出一种结合大语言模型与形式验证的神经符号方法,旨在提升AI辅助法律推理的可靠性与可信度,减少人工验证负担。
2026-05-13 cs.AI cs.CL cs.CY
From Assumptions to Actions: Turning LLM Reasoning into Uncertainty-Aware Planning for Embodied Agents
Department of Computer Science and Engineering, Korea University(计算机科学与工程系,韩国大学)
PCE框架通过结构化决策树将LLM推理中的假设转化为可靠策略,提升多智能体环境下的规划效率和任务完成率。
2026-02-04 cs.AI cs.CL cs.MA
Syntax-based Default Reasoning as Probabilistic Model-based Diagnosis
IRIT(图卢兹信息研究所);Universite Paul Sabatier(保尔·萨巴蒂埃大学(图卢兹第三大学))
我们认为基于语法的方法默认推理作为一个基于模型的诊断问题,其中每个源给出的一条信息被认为是一个组件。它在ATMS框架中形式化(每个源对应一个假设)。我们假设所有的源都是独立的,并且以非常小的概率“失败”。这导致了对候选集的概率分配,或者等价地对一致环境集的概率分配。这种概率分配导致了一个Dempster-Shafer信念函数,它测量了一个命题可以从证据中推导出来的概率。这个信念函数可以用几种不同的方式来定义一个非单调的后果关系。我们研究和比较这些后果关系。优先知识库的情况下被简要考虑。
2013-02-27 cs.AI
The Stepwise Informativeness Assumption: When Do Entropy Dynamics Track Reasoning Correctness in LLMs?
University of Cambridge(剑桥大学);University of Oxford(牛津大学);Harvey Mudd College(哈维穆德学院)
本文探讨了大语言模型中熵动态与推理正确性相关的原因,提出逐步信息性假设,并通过实验验证其在多个基准和模型中的有效性。
2026-10-22 cs.AI cs.CL cs.IT
Interacting with AI Reasoning Models: Harnessing "Thoughts" for AI-Driven Software Engineering
Singapore Management University(新加坡管理大学);Osaka University(大阪大学)
本文提出构建AI推理模型与软件工程师交互的愿景,通过集成自动摘要、假设验证和多模型冲突解决的研究路线图,帮助工程师过滤噪声、快速验证假设并解决推理冲突,从而提升决策效率与信任度。
2025-03-01 cs.AI cs.HC cs.SE
rePIRL: Learn PRM with Inverse RL for LLM Reasoning
Meta AI;Department of Computer Science, University of California, Santa Barbara(加州大学圣芭芭拉分校计算机科学系);Google DeepMind(谷歌DeepMind);Independent Researcher(独立研究者)
本文提出rePIRL框架,通过逆强化学习学习高效的PRM,无需依赖专家策略的强假设,解决了传统方法中熵崩溃等固有限制问题,通过双学习过程和定制技术提升LLM推理性能,并在数学和编程任务数据集上验证了其有效性。
2026-07-07 cs.AI cs.LG
Legal Reasoning Is Not Lawyering: Rethinking Legal Benchmarks for Pro Se Access to Justice
Yale Law School, USA(耶鲁法学院,美国)
本文指出当前法律AI基准仅评估专家预处理后的输入,忽略了自助诉讼者提供的杂乱、有误的提示,导致模型性能高估;通过实验展示上下界差距,呼吁建立直接衡量鲁棒性的基准。
2026-06-24 cs.AI cs.CY
On the Independence Assumption in Neurosymbolic Learning
School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
本文批判神经符号学习中符号概率条件独立的假设,证明其导致过度自信、难以优化且无法量化不确定性,为设计更具表达力的神经符号概率模型提供理论基础。
2024-06-07 cs.AI cs.LG stat.ML
Towards Reasoning Ability of Small Language Models
Department of Computer Science, Virginia Tech, USA(弗吉尼亚理工大学计算机科学系);Department of Physics, Clarendon Laboratory, University of Oxford, UK(牛津大学物理系,克伦德尔实验室);NVIDIA Corporation(英伟达公司)
本文提出 ThinkSLM 基准,系统评估72个小型语言模型在17项推理任务上的表现,揭示训练、数据与压缩方式对推理能力的关键影响。
2025-09-30 cs.AI cs.CL cs.LG
Grounding vs. Compositionality: On the Non-Complementarity of Reasoning in Neuro-Symbolic Systems
Place-Beyond-Bytes
研究指出神经符号系统中组成性推理并非符号 grounding 的副产品,通过 iLTN 实验证明仅依赖 grounding 无法实现泛化,联合训练 grounding 与推理可提升零样本准确性。
2026-04-29 cs.AI cs.CV cs.LG
Learning Brave Assumption-Based Argumentation Frameworks via ASP
CNR-IASI(意大利国家研究委员会信息系统与信息学研究所);Imperial(帝国理工学院)
本文研究从背景知识和正负示例中自动化学习假设式论证框架,提出基于转换规则和答案集编程的勇敢推理算法,并与最先进的ILP系统比较。
2024-11-08 cs.AI cs.LG cs.LO
Audit-of-Understanding: Posterior-Constrained Inference for Mathematical Reasoning in Language Models
Texas A&M University(德克萨斯大学);Hamad Bin Khalifa University(哈马德·本·哈利法大学)
提出 AoU 后验约束推理框架,通过分解、审计并仅采用已验证假设来抑制数学推理幻觉,并给出理论保证、风险界与显著基准提升。
2025-10-18 cs.AI cs.CL
ABDA-NL: A Natural-Language Scenario Explorer for Argument-Based Reasoning
Gonzaga University(贡萨加大学);Cardiff University(卡迪夫大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
ABDA-NL通过自然语言界面扩展了基于论证的推理系统,利用大型语言模型连接语言与形式化,同时保持确定性引擎作为论证和接受标签的唯一来源,支持交互式探索和用户验证。
2026-10-02 cs.AI cs.HC
Between Underthinking and Overthinking: An Empirical Study of Reasoning Length and correctness in LLMs
Cornell University(康奈尔大学);Adobe Research(Adobe研究);MBZUAI
本文实证研究了 LLMs 推理长度与正确性的关系,发现模型对简单问题易思考过度、对困难问题易思考不足,并指出利用偏好优化算法仅偏好较短响应即可在保持准确率的同时显著缩减生成长度。
2025-04-30 cs.AI cs.CL
A logic for reasoning about ambiguity
Cornell University(康奈尔大学);Northwestern University(西北大学)
多智能体模态逻辑的标准模型没有捕捉到这样的事实,即信息通常是\emph{ambiguous},并且可以由不同的智能体以不同的方式解释。我们提出了一个框架,可以模拟这一点,并考虑不同的语义,捕捉不同的假设代理人的信念是否有歧义。我们研究的表达能力的逻辑的歧义相比,逻辑不能建模的歧义,相对于我们提出的不同的语义。
2014-01-09 cs.AI cs.GT cs.LO
Bounded rationality for relaxing best response and mutual consistency: The Quantal Hierarchy model of decision-making
The University of Sydney(悉尼大学)
虽然博弈论对决策具有变革性,但在某些情况下,所做的假设可能过于严格。在这项工作中,我们调查的合理性,如相互一致性和最佳对策的一些基本假设,并考虑如何放松这些假设,分别使用水平$k$推理和量子响应均衡(QRE)的概念。具体而言,我们提出了一个信息理论的双参数模型称为量子层次模型,它可以放松相互一致性和最佳对策,同时仍然近似水平- $k$,QRE,或典型的纳什均衡行为的限制情况下。该模型是基于递归形式的变分自由能原理,表示高阶推理(伪)顺序决策的广泛形式的博弈树。这种表示使我们能够以类似于顺序游戏的方式处理同时游戏,其中推理资源在整个游戏树中耗尽。玩家处理能力的界限被捕获为信息成本,未来的推理分支被打折,这意味着玩家的层次结构,其中较低级别的玩家具有较少的处理资源。我们证明了量子层次模型的有效性,在几个典型的经济游戏,{同时和顺序},使用样本外建模。
2023-03-15 cs.AI cs.GT cs.IT
Reasoning about Causality in Games
University of Oxford(牛津大学);DeepMind(深度思维)
本文提出结构因果博弈框架,将因果推理与博弈论统一建模,定义预测、干预和反事实查询,并配套开源 Python 库以支持更丰富的因果与策略推理。
2023-04-17 cs.AI cs.GT cs.MA