Probabilistic Reasoning in the Description Logic ALCP with the Principle of Maximum Entropy (Full Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Osnabrück（奥斯纳布吕克大学）
知识表示的核心问题是如何对不确定性知识进行合理的编码和处理。我们介绍的概率描述逻辑ALCP，是专为表示上下文相关的知识，其中发生的实际情况是不确定的。ALCP允许对域的逻辑依赖和对可能上下文的概率依赖的表达。为了得出概率结论，我们采用最大熵原理。我们提供了推理算法，这种逻辑，并表明它满足概率逻辑的几个理想的属性。
2016-06-30 cs.AI cs.LO
Logic of Differentiable Logics: Towards a Uniform Semantics of DL
Heriot-Watt University（赫瑞-瓦特大学）
针对现有可微逻辑（DL）种类繁杂、难以系统比较的问题，提出元语言LDL统一其句法与语义，可推导DL理论性质并支撑神经网络验证的实证研究。
2023-10-05 cs.AI cs.LG cs.LO
Differentiable Logics for Neural Network Training and Verification
Heriot-Watt University（赫瑞-瓦特大学）
近年来，神经网络（NN）的日益普及及其在现实世界应用中的日益普及引起了人们对其验证的重要性的关注。虽然验证是已知的计算困难的理论，许多技术已经提出了解决它在实践中。在文献中已经观察到，默认情况下，神经网络很少满足我们想要验证的逻辑约束。一个很好的行动过程是在验证它们之前训练给定的NN以满足所述约束。这个想法有时被称为持续验证，指的是训练和验证之间的循环。通常，通过指定将给定形式逻辑语言翻译成损失函数来实现具有约束的训练。这些损失函数然后被用于训练神经网络。因为出于训练目的，这些函数需要是可微的，所以这些转换被称为可微逻辑（DL）。这就提出了几个研究问题。什么样的可微逻辑是可能的？在持续验证的背景下，DL的特定选择有什么不同？从所得到的损失函数的角度来看，DL的理想标准是什么？在这篇扩展摘要中，我们将讨论并回答这些问题。
2022-07-14 cs.AI cs.LG cs.LO
CP-logic: A Language of Causal Probabilistic Events and Its Relation to Logic Programming
Katholieke Universiteit Leuven（天主教鲁汶大学）
本文发展了一种表示概率因果律的逻辑语言。我们对这种语言的兴趣是双重的。首先，它可以作为因果知识表示的基础研究。因果关系具有内在的动态方面，Shafer在他的概率树框架中已经在语义层面上进行了研究。在这样一个动态的背景下，考虑到一个领域随时间的演变，因果律作为指导这种演变的东西的想法是很自然的。在我们的形式化，一组概率因果律可以用来表示一类概率树在一个简洁，灵活和模块化的方式。通过这种方式，我们的工作扩展了Shafer的语义对象提供了一个方便的逻辑表示。其次，这种语言也与概率逻辑编程领域相关。特别是，我们证明，在我们的语言的理论的形式语义可以等价地定义为概率分布在良好的基础模型的某些逻辑程序，使它正式非常类似于现有的语言，如ICL或PRISM。因为我们可以用一种完全独立的方式来激发和解释我们的语言，将其作为概率因果律的表示，这就为解释这种概率逻辑程序背后的直觉提供了一种新的方式：我们可以用非逻辑学家同样可以理解的术语来精确地说这种程序表达了哪些知识。此外，我们还获得了一个额外的一块知识表示方法的概率逻辑程序，通过展示他们如何表达概率因果律。
2009-04-10 cs.AI cs.LO
ANDRE: An Attention-based Neuro-symbolic Differentiable Rule Extractor for Inductive Logic Programming
Dept. of Mechanical and Aerospace Engineering, George Washington University, USA（机械与航空航天工程系，乔治华盛顿大学）；Dept. of Mechanical Engineering Sciences, University of Surrey, UK（机械工程科学系，萨里大学）
提出ANDRE框架，通过注意力驱动的可微逻辑算子优化连续规则空间，实现从概率数据中学习一阶逻辑规则，在噪声环境下保持鲁棒性和可解释性。
2026-05-31 cs.AI cs.LG cs.LO
DeepLogic: Towards End-to-End Differentiable Logical Reasoning
Imperial College London（帝国理工学院）
将机器学习与基于逻辑的专家系统相结合，以获得两个世界的最佳效果，正变得越来越流行。然而，机器学习在多大程度上可以学习基于规则的知识进行推理仍然是一个悬而未决的问题。在本文中，我们将探讨如何符号逻辑，定义为逻辑程序在字符级别，学习表示在一个高维向量空间使用基于RNN的迭代神经网络进行推理。我们创建了一个新的数据集，定义了12类逻辑程序，举例说明增加了逻辑推理的复杂性，并以端到端的方式对网络进行训练，以了解逻辑程序是否需要给定的查询。我们分析了如何学习推理算法产生的原子，文字和规则的表示在逻辑程序和评估对增加长度的谓词和常量符号，以及增加多跳推理的步骤。
2019-03-07 cs.AI cs.LO cs.NE
A Framework for Reasoning on Probabilistic Description Logics
University of Parma（帕尔马大学）；University of Ferrara（费拉拉大学）
虽然描述逻辑有几种推理机，但很少有能处理不确定性的。BUNDLE是一个推理框架，它可以利用几个OWL（非概率）推理机来执行概率描述逻辑的推理。在本章中，我们报告了BUNDLE中实现的最新进展。特别是，BUNDLE现在可以与TRILL系统的推理机接口，从而提供了一种统一的方法来使用不同的设置执行概率查询。BUNDLE可以很容易地扩展，既可以用作独立的桌面应用程序，也可以用作基于OWL API的应用程序中的库，这些应用程序需要对概率描述逻辑进行推理。推理性能很大程度上取决于推理机和计算概率的方法。我们提供了几个数据集上的不同推理设置的比较。
2020-10-02 cs.AI cs.LO
An Expressive Probabilistic Temporal Logic
本文认为，概率，时间和行动的综合治疗是必不可少的概率的概念的适当的逻辑帐户，并根据这种直觉，描述了一个表达概率的时间逻辑推理的行动与不确定的结果。该逻辑是模态的和高阶的：由动作注释的模态用于表达由动作产生的下一状态中的命题的可能性和必要性，并且需要高阶函数来表达概率算子。所提出的逻辑被证明是经典数学概率论的一个适当的扩展，并通过Monty Hall问题的形式化来说明其表达能力。
2017-10-08 cs.AI cs.LO
Comparing Differentiable Logics for Learning Systems: A Research Preview
Maynooth University（梅努斯大学）；Hamilton Institute（汉密尔顿研究所）
本研究预览比较了多种可微分逻辑在弱监督学习中的应用，发现其能编码背景知识但引入难调超参数，影响模型有效性。
2023-11-16 cs.AI cs.LG cs.LO
Syntactic Requirements for Well-defined Hybrid Probabilistic Logic Programs
University of Ferrara（费拉拉大学）
混合概率逻辑程序可以表示几个场景，这要归功于逻辑编程的表达能力，扩展了表示离散和连续分布的事实。这种类型的程序的语义是至关重要的，因为它确保可以为每个查询分配概率。在这里，最近的一个语义建议，我们说明了一个具体的语法，我们分析的语法要求，需要保持良好的定义。
2021-09-17 cs.AI cs.LO
Characterizing and Reasoning about Probabilistic and Non-Probabilistic Expectation
期望是概率论的核心概念。期望的概念也适用于其他不确定性的概念。我们引入了一个命题逻辑推理的期望，语义取决于潜在的表示的不确定性。在基本表示是（a）概率，（b）概率测度集，（c）置信函数和（d）可能性测度的情况下，我们给出了该逻辑的合理而完整的公理化.我们表明，这种逻辑是更有表现力的比相应的逻辑推理的可能性的情况下的概率措施集，但同等表现力的情况下，概率，信念，和可能性。最后，我们证明了这些逻辑的可满足性是NP-完全的，并不比命题逻辑的可满足性难。
2007-04-20 cs.AI cs.LO
Analyzing Differentiable Fuzzy Logic Operators
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Civic AI Lab, Amsterdam（阿姆斯特丹公民人工智能实验室）
人工智能社区越来越多地将注意力放在结合符号和神经方法上，因为人们经常认为这些方法的优点和缺点是互补的。文献中的一个最近的趋势是采用来自模糊逻辑的算子的弱监督学习技术。特别地，这些使用在这样的逻辑中描述的先验背景知识来帮助从未标记和噪声数据训练神经网络。通过使用神经网络解释逻辑符号，可以将这种背景知识添加到常规损失函数中，从而使推理成为学习的一部分。我们研究，正式和经验，如何从模糊逻辑文学的逻辑运算符的大集合表现在可微学习设置。我们发现，许多这些运营商，包括一些最知名的，是非常不适合在这种情况下。进一步的发现涉及这些模糊逻辑中蕴涵的处理，并且显示出由蕴涵的前件和后件驱动的梯度之间的强烈不平衡。此外，我们引入了一个新的家庭的模糊影响（称为sigmoidal影响），以解决这一现象。最后，我们经验表明，它是可能的，使用可微模糊逻辑的半监督学习，并比较不同的运营商在实践中的行为。我们发现，为了在监督基线上实现最大的性能改进，我们必须求助于在学习中表现良好的逻辑运算符的非标准组合，但不再满足通常的逻辑定律。
2021-08-24 cs.AI cs.LG cs.LO
T-CPDL: A Temporal Causal Probabilistic Description Logic for Developing Logic-RAG Agent
University of Derby（德比大学）
本文提出时序因果概率描述逻辑T-CPDL，扩展传统描述逻辑以处理时间、因果和概率推理，实验证明其显著提升语言模型推理准确性与可解释性，并为Logic-RAG框架奠定基础。
2025-06-23 cs.AI cs.LO
A Probabilistic Approach to Satisfiability of Propositional Logic Formulae
University of New Hampshire（新罕布什尔大学）
我们提出了一个版本的WalkSAT算法，命名为BetaWalkSAT。该方法使用概率推理来偏置局部搜索算法的起始状态。Beta分布用于对文字的布尔值的置信度建模。我们的研究结果表明，提出的BetaWalkSAT算法可以优于其他的不知情的局部搜索方法复杂的布尔可满足性问题。
2019-12-04 cs.AI cs.LO
Learning First-Order Rules with Differentiable Logic Program Semantics
Peking University（北京大学）；National Institute of Informatics（国立信息学研究所）；Guangzhou University（广州大学）
从关系事实中学习一阶逻辑程序（LP），从而产生对数据的直观见解是神经符号研究中的一个具有挑战性的课题。本文提出了一种新的可微归纳逻辑程序设计（ILP）模型，称为可微一阶规则学习器（DFOL），它通过搜索LP的可解释矩阵表示，从关系事实中找到正确的LP。这些可解释的矩阵被认为是神经网络（NN）中的可训练张量。神经网络是根据LP的可微语义设计的。具体来说，我们首先采用了一种新的命题化方法，将事实转移到NN可读的向量对表示解释对。我们取代了直接后果运营商与NN约束函数组成的代数运算和S形的激活函数。我们映射到NN约束函数的符号前向链格式的LP子符号向量表示的原子之间的操作。通过应用梯度下降，神经网络的训练好的参数可以解码成精确的符号LP在前向链逻辑格式。我们证明了DFOL可以在几个标准的ILP数据集，知识库和概率关系事实上执行，并优于几个著名的可微ILP模型。实验结果表明，DFOL是一个精确的，鲁棒的，可扩展的，计算成本低的可微ILP模型。
2022-04-28 cs.AI
Differentiable Logic Cellular Automata: From Game of Life to Pattern Generation
Google, Paradigms of Intelligence Team（谷歌，智能范式团队）
本文提出可微逻辑元胞自动机（DiffLogic CA），将可微逻辑门网络与神经细胞自动机结合，在保持离散推理的同时实现端到端梯度训练，成功学习生命游戏规则并完成多种图案生成任务。
2025-06-05 cs.AI
Probabilistic Strategy Logic with Degrees of Observability
University of Aberdeen（阿伯丁大学）；Utrecht University（乌得勒支大学）；Open University Netherlands（荷兰开放大学）
针对现有概率策略逻辑无法表达信息透明性的问题，本文引入可观测性算子扩展 Probabilistic Strategy Logic，提出随机多智能体系统的形式化推理框架，并证明其模型检测问题可判定。
2025-01-06 cs.AI cs.LO
GLIDR: Graph-Like Inductive Logic Programming with Differentiable Reasoning
Georgia Institute of Technology（佐治亚理工学院）
提出GLIDR可微规则学习方法，通过可微消息传递算法支持分支和循环等复杂逻辑规则结构，在知识图谱补全任务上显著优于现有方法且能与神经网络端到端联合优化。
2025-08-08 cs.AI cs.LG cs.LO
Nonmonotonic Probabilistic Logics between Model-Theoretic Probabilistic Logic and Probabilistic Logic under Coherence
最近，它已被证明，概率蕴涵下的一致性是弱于模型理论的概率蕴涵。此外，概率蕴涵下的一致性是系统P中的默认蕴涵的推广。在本文中，我们继续这条线的研究，提出了更复杂的概念之间的模型理论的概率蕴涵和概率蕴涵下的一致性的经典默认蕴涵的概率概括。也就是说，新的形式主义适当地推广了经典缺省推理中的对应形式，它们比模型论概率蕴涵弱，但在一致性下比概率蕴涵强。新的形式主义是有用的，特别是处理概率不一致的条件下零事件。它们也可以应用于概率信念修正。更一般地说，在相同的精神，类似以前的文件，本文揭示了令人兴奋的新的形式主义概率推理超出了众所周知的标准。
2002-07-22 cs.AI
dPASP: A Comprehensive Differentiable Probabilistic Answer Set Programming Environment For Neurosymbolic Learning and Reasoning
Universidade de São Paulo（圣保罗大学）
本文提出 dPASP 框架，通过整合神经谓词、逻辑约束与区间值概率选择，在多种概率逻辑程序语义下实现可微神经符号推理与端到端学习，并提供易用的实现软件包。
2023-08-05 cs.AI cs.LG cs.LO
Differentiable Inductive Logic Programming for Structured Examples
Kyoto University（京都大学）；NTT Communication Science Laboratories（NTT通信科学实验室）
逻辑的可微分实现产生了符号推理和深度神经网络的无缝组合。最近的研究，开发了一个可微的框架来学习逻辑程序的例子，甚至可以获得合理的解决方案，从嘈杂的数据集。然而，这个框架严重限制了解决方案的表达，例如，不允许使用函数符号，子句的形状是固定的。因此，该框架不能处理结构化的示例。因此，我们提出了一个新的框架，学习逻辑程序从嘈杂和结构化的例子，包括以下贡献。首先，我们提出了一种自适应子句搜索方法，通过结构化的空间，这是由条款的一般性定义，以产生一个有效的搜索空间可微求解器。其次，我们提出了地面原子的枚举算法，它确定了一个必要的和充分的地面原子执行可微推理功能。最后，我们提出了一种新的软组织逻辑程序的方法，使系统能够处理由多个子句组成的复杂程序。我们的实验表明，我们的新框架可以从有噪和结构化的示例（例如序列或树）中学习逻辑程序。我们的框架可以扩展到处理复杂的程序，包括几个条款的功能符号。
2021-03-02 cs.AI cs.LG
Differentiable Logic Programming for Distant Supervision
National Institute of Informatics（信息学研究所）
提出一种在NeSy中将神经网络与逻辑编程集成的可微方法，通过矩阵嵌入评估逻辑蕴含与约束，无需符号求解器推理缺失标签，在准确率和学习效率上均超越现有方法。
2024-08-25 cs.AI
Polynomial Surrogate Training for Differentiable Ternary Logic Gate Networks
University of Maryland（马里兰大学）
多项式代理训练通过减少参数并提升训练效率，实现了对三分逻辑门网络的可微训练，提升了在不确定性下的预测准确性。
2026-02-27 cs.AI cs.LG cs.LO
Analyzing Differentiable Fuzzy Implications
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
结合符号和神经方法在人工智能社区中获得了相当大的关注，因为人们经常认为这些方法的优点和缺点是互补的。文献中的一个这样的趋势是弱监督学习技术，其采用来自模糊逻辑的算子。特别是，他们使用这种逻辑中描述的先验背景知识来帮助从未标记和噪声数据中训练神经网络。通过使用神经网络解释逻辑符号（或将其接地），可以将此背景知识添加到常规损失函数中，从而使推理成为学习的一部分。在本文中，我们研究如何从模糊逻辑文献的影响表现在可微设置。在这样的设置，我们分析这些模糊蕴涵的形式属性之间的差异。事实证明，各种模糊含义，包括一些最著名的，是非常不适合用于可微学习设置。进一步的发现表明，由前件驱动的梯度之间的强烈不平衡和后果的含义。此外，我们引入了一个新的家庭的模糊影响（称为sigmoidal影响），以解决这一现象。最后，我们的经验表明，这是可能的，使用可微模糊逻辑的半监督学习，并表明，sigmoidal的影响优于其他选择的模糊影响。
2020-06-04 cs.AI cs.LO stat.ML
A Method for Optimizing Connections in Differentiable Logic Gate Networks
我们提出一种部分优化深度可微分逻辑门网络连接的方法，通过概率分布选择连接，在多个基准上以更少门数超越固定连接网络，并展示完全可训练布尔逻辑的路径。
2025-07-08 cs.AI cs.LG
Exploring End-to-End Differentiable Natural Logic Modeling
Queen’s University（女王大学）；Ingenuity Labs Research Institute（Ingenuity Labs研究院）；iFLYTEK Research（科大讯飞研究院）；State Key Laboratory of Cognitive Intelligence（认知智能全国重点实验室）
我们探索了端到端的训练可微模型，将自然逻辑与神经网络相结合，旨在保持基于自然逻辑形式主义的自然语言推理的骨干，同时引入子符号向量表示和神经组件。该模型采用模块网络来模拟自然的逻辑运算，并通过内存组件来增强对上下文信息的建模。实验结果表明，该框架可以有效地建模基于单调性的推理，相比之下，基线神经网络模型没有内置的基于单调性推理的归纳偏差。我们提出的模型是强大的，当从向上向下的推断。我们对所提出的模型在聚合上的性能进行了进一步的分析，显示了所提出的子组件在帮助实现更好的中间聚合性能上的有效性。
2020-11-08 cs.AI cs.CL
Differentiable Logic Machines
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Shanghai Jiao Tong University（上海交通大学）；IT University of Copenhagen（哥本哈根信息技术大学）；Tianjin University（天津大学）
本文提出可微逻辑机（DLM），通过为谓词分配权重的连续松弛架构，结合梯度下降训练、演员-评论家与增量训练，同时解决可解释的归纳逻辑程序设计和强化学习问题，并在成功率、奖励和可扩展性上优于现有方法。
2023-07-05 cs.AI
Probabilistic Logic Programming under Inheritance with Overriding
我们提出了概率逻辑编程下的继承覆盖。这种方法是基于新的概念蕴涵推理的条件约束，这是从经典的概念逻辑蕴涵通过添加继承与覆盖的原则。这是通过使用最近的方法概率默认推理与条件约束。我们分析了新蕴涵关系的语义特性。我们还提出了概率逻辑编程的算法继承覆盖，程序转换，以提高效率。
2013-01-10 cs.AI
Differentiable Inference of Temporal Logic Formulas
Oregon State University（俄勒冈州立大学）
我们展示了第一个用于学习信号时序逻辑公式的递归神经网络架构，并首次系统地比较了公式推理方法。遗留系统中嵌入了大量的专家知识，这些知识没有被明确地形式化。人们对学习描述这种系统的理想行为的形式规范有很大的兴趣，即系统输出信号所满足的时态逻辑中的公式。这样的规范可以用来更好地理解系统的行为，并改进其下一次迭代的设计。以前的推理方法要么假设某些公式模板，要么对所有可能的模板进行启发式枚举。这项工作提出了一种神经网络架构，通过梯度下降推断公式结构，消除了对强加任何特定模板的需要。它将公式结构和参数的学习结合在一次优化中。通过系统的比较，我们证明了这种方法实现了类似或更好的错误分类率（MCR）比枚举和格方法。我们还观察到，不同的公式可以实现类似的MCR，实证证明了时间逻辑推理问题的不确定性。
2022-08-10 cs.AI cs.LG cs.LO
Knowledge Compilation with Continuous Random Variables and its Application in Hybrid Probabilistic Logic Programming
KU Leuven（鲁汶大学）
在概率推理中，传统的离散域已被提升到包含额外连续随机变量的混合域。然而，在混合域中的推理通常需要对离散或连续随机变量的推理进行权衡。我们介绍了一种新的方法，加权模型集成和代数模型计数的基础上，规避这些权衡。然后，我们展示了它如何支持知识编译和精确的概率推理。此外，我们引入了混合概率逻辑程序设计语言HAL-ProbLog，ProbLog的扩展，我们适用于我们的推理方法。
2018-07-12 cs.AI cs.LO cs.PL
Logical Entity Representation in Knowledge-Graphs for Differentiable Rule Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
提出逻辑实体表示（LERP）编码实体相邻子图上下文，结合概率逻辑规则学习提升规则表达力，在知识图谱补全任务中优于现有方法且增强可解释性。
2023-05-22 cs.AI cs.LG cs.LO
An asymptotic analysis of probabilistic logic programming, with implications for expressing projective families of distributions
LMU München（慕尼黑大学）
概率逻辑编程是统计关系型人工智能的重要组成部分，其中将逻辑和概率方法结合在一起，在不确定性环境中推理和学习关系域。然而，跨可变域大小的统计关系表示的行为是复杂的，并且将推理和学习扩展到大型域仍然是一个重大挑战。近年来，域大小依赖、提升推理和从抽样子群体中学习之间出现了联系。统计关系表示的渐近行为已经受到审查，和投影被调查的最强形式的域大小的依赖，其中查询边际是完全独立的域大小。在这篇文章中，我们证明了每一个概率逻辑程序下的分布语义是渐近等价于一个非循环的概率逻辑程序只包括确定条款的概率事实。我们的结论是，每一个概率逻辑程序诱导一个投影族的分布，实际上是处处等价于一个程序从这个片段，我们调查的后果，为投影族的分布概率逻辑程序表示。为了方便应用的经典结果从有限模型理论，我们引入了抽象的分布语义，定义为一个任意的逻辑理论概率事实。这弥合了与概率逻辑编程基础的分布语义之间的差距。在这种表示中，确定性逻辑程序对应于无量词理论，使得渐近量词消去结果可用于概率逻辑编程的设置。本文件正在考虑被TPLP接受。
2021-08-18 cs.AI cs.LO cs.PL
Complexity Analysis and Variational Inference for Interpretation-based Probabilistic Description Logic
本文提出了概率描述逻辑推理的复杂性分析和变分方法，其特点是布尔算子，量化，合格数限制，名词，逆角色和角色层次。推理是PEXP-完全的，变分方法的设计，以便尽可能利用逻辑推理。
2012-05-09 cs.AI
Inference and learning in probabilistic logic programs using weighted Boolean formulas
KU Leuven（鲁汶大学）
概率逻辑程序是其中一些事实用概率注释的逻辑程序。本文研究了如何经典的推理和学习任务，从图形模型社区可以处理概率逻辑程序。概率逻辑程序以前没有真正解决过几个这样的任务，如计算给定证据的边缘和从（部分）解释中学习。本文的第一个贡献是为各种推理任务提供了一套有效的算法。它基于程序和查询以及证据到加权布尔公式的转换。这使我们能够将推理任务减少到经过充分研究的任务，例如加权模型计数，可以使用图形模型和知识编译文献中已知的最先进的方法来解决。第二个贡献是一个算法的参数估计的学习从解释设置。该算法采用期望最大化，并建立在顶部开发的推理算法。所提出的方法进行了实验评估。结果表明，推理算法提高了概率逻辑程序设计的最新水平，并且确实可以从解释中学习概率逻辑程序的参数。
2013-04-25 cs.AI cs.LG cs.LO
Integrating Logical and Probabilistic Reasoning for Decision Making
Rockwell International Science Center（罗克韦尔国际科学中心）；Stanford University（斯坦福大学）
我们描述了一种表示和一组推理方法，结合逻辑编程技术与概率网络表示的不确定性（影响图）。该技术强调复杂和不确定领域的概率和决策理论模型的动态构建和解决方案。给定一个查询，如果可能的话，会产生一个逻辑证明;如果不可能，会产生一个基于查询和决策域知识的影响图，并随后求解。一个统一的声明，一阶，知识表示相结合的逻辑，概率和决策理论推理的综合推理过程。
2013-03-27 cs.AI
Inference in Probabilistic Logic Programs using Weighted CNF's
概率逻辑程序是其中一些事实用概率注释的逻辑程序。几个经典的概率推理任务（如MAP和计算边际）还没有得到很多关注，这种形式主义。本文的贡献是，我们开发了有效的推理算法，这些任务。这是基于概率逻辑程序以及查询和证据到加权CNF公式的转换。这使我们能够将推理任务减少到经过充分研究的任务，例如加权模型计数。为了解决这些问题，我们采用了最先进的方法。我们考虑多种方法的转换程序，以及加权CNF的推理。由此产生的方法进行了实验评估，并显示出改善后，国家的最先进的概率逻辑编程。
2012-02-14 cs.AI
Lazy Explanation-Based Approximation for Probabilistic Logic Programming
我们介绍了一个懒惰的方法，基于推理的概率逻辑程序的近似。在搜索解释时，它只使用程序中最重要的部分。其结果是一个快速和随时近似推理算法，返回硬下限和上限的确切概率。我们的实验表明，这种方法优于国家的最先进的近似推理。
2015-07-10 cs.AI
DEFactor: Differentiable Edge Factorization-based Probabilistic Graph Generation
Mila（米拉研究所）；Université de Montréal（蒙特利尔大学）
产生具有最佳特性的新型分子是许多行业（如药物发现）的关键步骤。最近，深度生成模型已经显示出进行从头分子设计的有前途的方式。尽管图形生成模型目前可用，但它们在其参数数量上具有图形大小依赖性，将其使用限制为仅非常小的图形，或者被公式化为构建图形所需的离散动作序列，使得输出图形相对于模型参数不可微，因此防止它们在诸如条件图形生成的场景中使用。在这项工作中，我们提出了一个模型的条件图生成，计算效率高，使直接优化的图形。我们展示了我们的模型基于原型的分子图条件生成任务的良好性能。
2018-11-24 cs.AI cs.LG
Quantum Circuit Reasoning Models: A Variational Framework for Differentiable Logical Inference
UC Berkeley, School of Information（伯克利大学信息学院）
量子电路推理模型通过变分框架实现可微逻辑推理，将量子力学操作映射到推理原语，用于科学、生物医学和化学领域的推理任务。
2025-11-26 cs.AI quant-ph
Uncertain Linear Logic via Fibring of Probabilistic and Fuzzy Logic
从一个简单的语义命题，计数观测的基础上，它表明，概率和模糊逻辑对应于两个不同的启发式假设的组合的命题的证据基础是目前不可用。这两种不同的启发式假设导致两组不同的公式，用于通过格运算传播定量真值。结果表明，这两组公式为线性逻辑中的乘法和加法算子集提供了一个自然的基础。然后，线性逻辑的标准规则作为底层语义的结果出现。线性逻辑作为“资源逻辑”的概念在这里通过“证据守恒”原则来体现--线性逻辑中对弱化和收缩的限制有助于避免证据的重复计算（超出通过使用启发式真值价值函数而引起的任何重复计算）。
2020-09-28 cs.AI
On the Semantic Relationship between Probabilistic Soft Logic and Markov Logic
Arizona State University（亚利桑那州立大学）
马尔可夫逻辑网络（MLN）和概率软逻辑（PSL）是统计关系学习中广泛应用的形式主义，统计关系学习是人工智能中的一个新兴领域，它涉及将逻辑和统计AI相结合。尽管他们很相似，但他们的关系还没有正式说明。本文从逻辑的角度描述了它们之间的精确语义关系。这通过首先扩展模糊逻辑以允许权重来促进，这也可以被视为PSL的概括，然后将该概括与MLN相关联。我们观察到PSL和MLN之间的关系类似于模糊逻辑和布尔逻辑之间的已知关系，而且PSL的权方案本质上是MLN的权方案对于多值设置的推广。
2016-06-28 cs.AI
Improved Logical Reasoning of Language Models via Differentiable Symbolic Programming
Carnegie Mellon University（卡内基梅隆大学）；University of Pennsylvania（宾夕法尼亚大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Petuum Inc.（Petuum公司）
本文提出DSR-LM可微符号推理框架，结合预训练语言模型与符号模块，学习加权规则并应用语义损失，在演绎推理基准上准确率提升超20%，且优于多种基线。
2023-05-05 cs.AI cs.CL cs.LG
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
Beyond the Grounding Bottleneck: Datalog Techniques for Inference in Probabilistic Logic Programs (Technical Report)
Cardiff University（卡迪夫大学）；Samsung AI Research（三星人工智能研究院）
概率逻辑编程中的最先进的推理方法通常通过相对于感兴趣的查询计算相关的基础程序开始，然后使用该程序进行使用知识编译和加权模型计数的概率推理。我们提出了一种替代方法，使用高效的数据库技术集成知识编译与正向推理与非地面程序。这有效地消除了接地瓶颈，到目前为止，已经禁止概率逻辑编程的查询应答场景中的应用程序在知识图谱，同时还提供了快速近似的经典基准在该领域。
2019-11-18 cs.AI
Neural Probabilistic Logic Programming in DeepProbLog
KU Leuven（鲁汶大学）；Cardiff University（卡迪夫大学）；Ghent University - imec（根特大学-imec）
我们介绍DeepProbLog，这是一种神经概率逻辑程序设计语言，通过神经谓词结合了深度学习。我们将展示如何现有的推理和学习技术的基础概率逻辑程序设计语言ProbLog可以适应新的语言。我们从理论和实验上证明了DeepProbLog支持（i）符号和子符号表示和推理，（ii）程序归纳，（iii）概率（逻辑）编程，以及（iv）从示例中进行（深度）学习。据我们所知，这项工作是第一个提出一个框架，其中通用神经网络和表达概率逻辑建模和推理集成的方式，利用充分的表现力和两个世界的优势，可以训练端到端的基础上的例子。
2019-09-23 cs.AI
DeepProbLog: Neural Probabilistic Logic Programming
KU Leuven（鲁汶大学）；Cardiff University（卡迪夫大学）；Ghent University - imec（根特大学-校际微电子中心）
我们介绍DeepProbLog，这是一种概率逻辑程序设计语言，通过神经谓词结合了深度学习。我们展示了如何现有的推理和学习技术可以适应新的语言。我们的实验表明，DeepProbLog支持符号和子符号表示和推理，1）程序归纳，2）概率（逻辑）编程，3）从示例中进行（深度）学习。据我们所知，这项工作是第一个提出一个框架，其中通用神经网络和表达概率逻辑建模和推理集成的方式，利用充分的表现力和两个世界的优势，可以训练端到端的基础上的例子。
2018-12-12 cs.AI
Dempster-Shafer vs. Probabilistic Logic
Northrop Research and Technology Center（诺斯罗普研究与技术中心）
比较了Dempster-Shafer理论中的证据组合与概率逻辑中的证据组合。这两种方法是一致的充分条件。然后，它表明，这些条件是最小的意义上说，分歧可能发生时，其中任何一个被删除。一个例子中，传统的假设条件独立的证据假设成立，并假设一个统一的先验，但概率逻辑和Dempster的规则给两个证据事件的组合从根本上不同的结果。
2013-03-27 cs.AI
Sequential Recommendation with Probabilistic Logical Reasoning
Soochow University（苏州大学）；Macquarie University（麦考瑞大学）；Texas Tech University（德克萨斯理工大学）；Suzhou Vocational University（苏州市职业大学）
针对神经符号序列推荐中的逻辑表示难题，提出SR-PLR框架，解耦特征与逻辑嵌入，结合概率逻辑推理，提升推荐性能。
2023-05-15 cs.AI
Resource Constrained Dialog Policy Learning via Differentiable Inductive Logic Programming
Facebook（脸书）
针对资源受限的对话策略学习的需要，提出了基于可微归纳逻辑的对话策略。我们在SimDial和MultiWoZ上探索了使用DIRECT进行一次性学习和zero-shot域转移的任务。使用来自餐厅领域的单个代表性对话，我们在SimDial数据集上训练DIRECT，并获得99+%的域内测试准确度。我们还表明，训练的DIRECT zero-shot转移到所有其他领域的99+%的准确性，证明DIRECT插槽填充对话框的适用性。我们进一步将我们的研究扩展到MultiWoZ数据集，实现了90%以上的信息和成功指标。我们还观察到，这些指标没有捕捉到DIRECT在误报方面的一些缺点，这促使我们测量辅助Action F1分数。我们表明，DIRECT的数据效率比MultiWoZ上最先进的神经方法高出100倍，同时实现了类似的性能指标。最后，我们讨论了DIMENSIONAL的优点和缺点。
2020-11-10 cs.AI cs.CL
A Table-Based Representation for Probabilistic Logic: Preliminary Results
KU Leuven（鲁汶大学）；Leuven.AI - KU Leuven Institute for AI（鲁汶AI - 鲁汶大学人工智能研究所）
我们提出了概率决策模型和符号（pDMN），这是决策模型和符号（DMN）的概率扩展。DMN是一种确定性决策逻辑的建模符号，其目的是用户友好和低复杂性。pDMN通过概率推理、谓词、函数、量化和新的命中策略扩展了DMN。与此同时，它旨在保留DMN的用户友好性，允许领域专家在没有IT人员帮助的情况下使用它。pDMN模型可以明确地转换为ProbLog程序以回答用户查询。ProbLog是Prolog的概率扩展，它足够灵活，可以在任何pDMN模型上建模和推理。
2021-10-05 cs.AI
Reasoning with Probabilistic Logics
University of Ferrara（费拉拉大学）
在过去的几年里，将概率与逻辑结合起来建模世界的兴趣迅速增加。分布语义学是一种有效的方法，它被许多逻辑程序设计语言和描述逻辑所采用。在本文中，我们说明了我们在这一研究领域所做的工作，提出了一个概率语义的描述逻辑和推理和学习算法。特别是，我们详细介绍了系统TRILL P，它计算的概率查询w.r.t.概率知识库，这已经在Prolog中实现。注意事项：论文的扩展摘要/完整版本，将在第30届逻辑编程国际会议（ICLP 2014）的博士联盟上发表，7月19日至22日，维也纳，奥地利
2015-01-29 cs.AI
Reinforcement Learning in Partially Observable Markov Decision Processes using Hybrid Probabilistic Logic Programs
Gulf University for Science and Technology（海湾科技大学）
我们提出了一个概率逻辑编程框架，强化学习，通过集成强化学习，在POMDP环境中，与正常的混合概率逻辑程序与概率答案集语义，这是能够表示特定领域的知识。我们正式证明了我们的方法的正确性。我们证明了在我们的方法中为强化学习问题找到策略的复杂性是NP完全的。此外，我们证明了任何强化学习问题都可以编码为具有答案集语义的经典逻辑程序。我们还表明，一个强化学习问题可以编码为SAT问题。我们提出了一个新的高层次的动作描述语言，允许POMDP的因子表示。此外，我们修改了POMDP的原始模型，使它能够区分知识生产行动和行动，改变环境。
2010-11-27 cs.AI
Compressed Constraints in Probabilistic Logic and Their Revision
Plymouth State College（普利茅斯州立学院）
在概率逻辑蕴涵中，即使是中等规模的问题也可以产生具有如此多变量的线性约束系统，以至于精确的方法是不切实际的。在许多感兴趣的情况下，通过引入三值逻辑（真、假和“不关心”）可以解决这个困难。三值的方法允许建设的“压缩”约束系统，具有相同的解决方案集作为他们的两个值的同行，但它可能涉及显着更少的变量。技术计算点估计的后验概率的蕴涵句子进行了讨论。
2013-03-20 cs.AI
An Inequality Paradigm for Probabilistic Knowledge
我们提出了一个不等式的概率推理的基础上的逻辑上的条件概率的上限和下限的范例。我们研究一族概率逻辑，推广了Nilsson的工作[14]。我们开发了各种逻辑概念的概率推理，包括健全性，完整性的理由;和收敛：减少一个理论到一个更简单的逻辑类。我们认为，一个绑定视图是特别有用的概率知识表示的语义描述和描述概率推理和更新的中间状态。我们表明，证据的Dempster-Shafer理论是正式相同的一个特殊情况下，我们的广义概率逻辑。因此，我们的范式结合了贝叶斯“基于规则”的方法和公开的非贝叶斯“证据”的方法，如MYCIN和DempsterShafer。我们建议如何整合这两个“学校”，并探讨了一些可能性，为新的综合各种想法的概率推理。
2013-03-27 cs.AI
