Lifting Traces to Logic: Programmatic Skill Induction with Neuro-Symbolic Learning for Long-Horizon Agentic Tasks
State Key Laboratory of Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学）；School of Artificial Intelligence, Nanjing University, China（人工智能学院，南京大学）；School of Intelligence Science and Technology, Nanjing University, China（智能科学与技术学院，南京大学）；Centre for Frontier AI Research（前沿人工智能研究中心）；Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，新加坡科技研究局）；Department of Computer Science and Engineering, Hong Kong University of Science and Technology, China（香港科学与技术大学计算机科学与工程系）
本文提出NSI框架，通过将交互轨迹提升为模块化逻辑 grounded 程序，使代理能从少量示例中归纳技能并适应新目标，优于现有方法。
2026-05-02 cs.AI
Abductive Knowledge Induction From Raw Data
Imperial College London（伦敦帝国学院）
对于许多涉及原始输入的推理繁重的任务，设计适当的端到端学习管道具有挑战性。神经符号学习，将过程分为子符号感知和符号推理，试图同时利用数据驱动的机器学习和知识驱动的推理。然而，它们遭受这两个组件之间的接口内的指数计算复杂性，其中子符号学习模型缺乏直接监督，并且符号模型缺乏准确的输入事实。因此，他们中的大多数人假设存在一个强大的符号知识库，只学习感知模型，而避免了一个关键问题：知识来自哪里？本文提出了一种结合溯因和归纳的溯因元解释学习方法（$Meta_{Abd}$），用于从原始数据中学习神经网络和归纳逻辑理论。实验结果表明，$Meta_{Abd}$不仅在预测精度和数据效率方面优于同类系统，而且还能诱导出逻辑程序，这些逻辑程序可以作为背景知识在后续的学习任务中重复使用。据我们所知，$Meta_{Abd}$是第一个可以从头开始共同学习神经网络并通过谓词发明归纳递归一阶逻辑理论的系统。
2021-05-20 cs.AI cs.LG
A General Katsuno-Mendelzon-Style Characterization of AGM Belief Base Revision for Arbitrary Monotonic Logics
TU Dresden（德累斯顿工业大学）；FernUniversität in Hagen（哈根远程大学）
Alchourrón，Gärdenfors和Makinson的AGM假设仍然是信念改变相关研究的基石。我们推广的方法Katsuno和Mendelzon（KM）的特征AGM基地修订从命题逻辑设置（多）基地修订在任意单调逻辑。我们的核心结果是一个表示定理，使用分配的总-但不传递-“偏好”关系的信念基础。我们还提供了一个表征的所有逻辑，我们的结果可以加强前序分配（如在KM的原始工作）。
2021-12-28 cs.AI cs.LO
Proceedings of the First International Workshop on Argumentation in Logic Programming and Non-Monotonic Reasoning (Arg-LPNMR 2016)
本卷包含Arg-LPNMR 2016上发表的论文：第一届逻辑编程和非单调推理论证国际研讨会，于2016年7月8日至10日在纽约州纽约市举行。
2016-11-08 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
A New Approach for Revising Logic Programs
Institute for Integrated and Intelligent Systems, Griffith University（格里菲斯大学集成与智能系统研究所）；School of Computing Science, Simon Fraser University（西蒙弗雷泽大学计算科学学院）；Department of Computing, Macquarie University（麦考瑞大学计算学系）
信念修正主要是针对单调的背景逻辑进行研究的。在本文中，我们研究信念修订时，底层逻辑是非单调的，而不是-一个内在有趣的问题，是根据探索。特别是，我们将专注于修改的身体的信念表示为一个逻辑程序下的答案集语义，而新的信息也同样表示为一个逻辑程序。我们的方法是由观察，不像在单调的设置，在必要时，一致性的修改后的身体的信念是通过抛弃一些旧的信念，在非单调设置的一致性可以恢复添加新的信念以及。我们将定义一个句法修正函数，并随后提供表征它的表示定理。
2016-03-31 cs.AI cs.LO
Efficient rule induction by ignoring pointless rules
本文提出了一种通过忽略无用规则来提升归纳逻辑编程效率的方法，实验表明该方法在多个领域显著减少了学习时间并保持了预测准确性。
2026-01-23 cs.AI
Building Rules on Top of Ontologies for the Semantic Web with Inductive Logic Programming
Università degli Studi di Bari（巴里大学）
在本体之上构建规则是语义Web逻辑层的最终目标。为此，目前正在讨论一种用于这一层的特别标记语言。它的目的是遵循传统的混合知识表示和推理系统，如$\mathcal{AL}$ -日志，集成了描述逻辑$\mathcal{ALC}$和无函数霍恩子句语言\textsc{Datalog}。在本文中，我们考虑的问题，这些规则的语义Web的自动化收购。我们提出了一个通用的规则归纳框架，采用归纳逻辑程序设计的方法装置，并依赖于$\mathcal{AL}$ -log的表达和演绎能力。无论归纳的范围（描述与预测）如何，该框架都是有效的。然而，为了说明的目的，我们还讨论了一个实例化的框架，其目的是描述和原来是有用的本体精化。关键词：归纳逻辑程序设计，混合知识表示和推理系统，本体，语义网。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2007-11-12 cs.AI cs.LG
On the Non-Monotonic Description Logic $\mathcal{ALC}$+T$_{\mathsf{min}}$
University of Leipzig（莱比锡大学）
在过去的20年中，许多建议已经提出了将非单调推理到描述逻辑，从基于默认逻辑和限制的方法，以那些基于优先语义。特别地，非单调描述逻辑$\mathcal{ALC}$ +T $_{\mathsf{min}}$使用优先语义与某种概念的最小化的组合，其表示一类元素的非典型实例。它的缺点之一是它遭受了被称为\emph{property blocking inheritance}的问题，从推理的角度来看，这可以被视为一个弱点。本文提出了$\mathcal{ALC}$ +T $_{\mathsf{min}}$的一个扩展，即$\mathcal{ALC}$ +T $^+_{\mathsf{min}}$，旨在解决上述问题.此外，我们还证明了$\mathcal{ALC}$ +T $^+_{\mathsf{min}}$与概念限定的知识库之间的密切联系。最后，我们研究了在$\mathcal{ALC}$ +T $^+_{\mathsf{min}}$中判定经典推理任务的复杂性。
2014-04-25 cs.AI
Semantic Matchmaking as Non-Monotonic Reasoning: A Description Logic Approach
Politecnico di Bari（巴里理工大学）
当供求在电子市场上相遇时，或者当代理人搜索网络服务以执行某些任务时，甚至当招聘机构匹配课程和工作简介时，就会出现配对。在这样的开放环境中，匹配过程的目标是发现针对给定请求的最佳可用报价。我们从知识表示的角度来解决匹配问题，基于描述逻辑的形式化。我们设计了概念溯因和概念收缩作为描述逻辑中的非单调推理，适用于在逻辑框架中建模匹配，并证明了一些相关的复杂性结果。我们还提出了合理的算法的基础上设计的推理，语义匹配，并证明他们服从一些常识性质。最后，我们报告建议的匹配框架，这已被用来作为调解人在电子市场和语义Web服务发现的实施。
2011-10-12 cs.AI
Rule Induction in Knowledge Graphs Using Linear Programming
IBM Research（IBM研究院）
我们提出了一个简单的线性规划（LP）为基础的方法来学习紧凑和可解释的规则集编码的事实在知识图谱（KG），并使用这些规则来解决KG完成问题。我们的LP模型从候选一阶逻辑规则列表中选择一组有界复杂性的规则，并为它们分配权重。复杂性界限通过显式约束来强制执行。我们将简单的规则生成算法与我们的规则选择LP相结合，即使在生成更紧凑的规则集的同时，也能获得与最先进的代码相媲美的准确度。此外，当我们将其他代码生成的规则作为输入时，我们通常通过减少所选规则的数量来提高可解释性，同时保持准确性。
2023-03-03 cs.AI cs.LG
Forgetting to learn logic programs
University of Oxford（牛津大学）
大多数程序归纳方法需要预定义的、通常是手工设计的背景知识（BK）。为了克服这一限制，我们探索通过多任务学习自动获取BK的方法。在这种方法中，学习者将学习过的程序添加到其BK中，以便可以重用它们来帮助学习其他程序。为了提高学习性能，我们探索遗忘的想法，学习者可以另外从其BK中删除程序。我们认为遗忘在归纳逻辑程序设计（ILP）设置。我们发现，遗忘可以显着降低假设空间的大小和样本的复杂性的ILP学习。我们介绍Forgetgol，一个支持遗忘的多任务ILP学习器。我们实验性地比较了Forgetgol与记住或忘记一切的方法。我们的实验结果表明，Forgetgol在从超过10，000个任务中学习时优于其他方法。
2019-11-15 cs.AI cs.LG cs.LO
Neuro-Symbolic Hierarchical Rule Induction
Shanghai Jiao Tong University（上海交通大学）
提出了一种有效的可解释神经符号模型来解决归纳逻辑程序设计（ILP）问题。在这个模型中，它是建立在一组元规则组织在一个层次结构，一阶规则是通过学习嵌入匹配的事实和身体谓词的元规则。为了实例化它，我们专门设计了一组富有表达力的通用元规则，并证明它们会生成Horn子句的结果片段。在训练过程中，我们注入一个受控的\pw{Gumbel}噪声，以避免局部最优值，并采用可解释性正则化项，以进一步引导收敛到可解释的规则。我们根据经验验证了我们的模型对各种任务（ILP，视觉基因组，强化学习）对几个国家的最先进的方法。
2021-12-26 cs.AI cs.LG
Interpolation Theorems for Nonmonotonic Reasoning Systems
克雷格插值定理（Craig's interpolation theorem，Craig 1957）是命题逻辑和一阶逻辑中的一个重要定理。它说，如果一个逻辑公式$β$在逻辑上从一个公式$α$得出，那么就有一个公式$γ$，只包括出现在两个$α,β$中的符号，这样$β$在逻辑上从$γ$得出，而$γ$在逻辑上从$α$得出。这样的定理对于理解它们所处的逻辑以及加速用这些逻辑中的理论进行推理是重要和有用的。在本文中，我们提出了插值定理在这种精神的三个非单调系统：限制，默认逻辑和逻辑程序的稳定模型语义（a.k.a.）。答案集语义）。这些结果使我们更好地理解这些逻辑，特别是与它们的非单调特性相比。他们认为，一些\emph{monotonicity}原则持有，尽管这些逻辑的经典单调性失败。此外，它们有时允许我们使用这些系统的推理分解方法，可能会增加它们的适用性和易处理性。最后，它们允许我们构建使用这些逻辑的结构化表示。
2002-07-16 cs.AI cs.LO
Explaining Non-monotonic Normative Reasoning using Argumentation Theory with Deontic Logic
Sun Yat-sen University（中山大学）；University of Edinburgh（爱丁堡大学）
本研究在先前的LeSAC论证理论推理系统基础上，引入带道义算子和偏好的一阶道义逻辑，为设计师的法律相关设计决策提供有效解释，通过自动驾驶案例验证优势并证明系统满足合理性公设。
2024-09-18 cs.AI
A Rational Entailment for Expressive Description Logics via Description Logic Programs
ISTI - CNR（意大利国家研究委员会信息科学与技术研究所）；CAIR - University of Cape Town（开普敦大学CAIR）
Lehmann和Magidor的有理闭包被认为是非单调逻辑领域的一个里程碑，它也在描述逻辑（DL）的背景下被重新表述。我们在这里展示了如何建模的合理形式的蕴涵表达DL，如SROIQ，提供了一种新的推理过程，编译成一个描述逻辑程序（DL程序）的非单调DL知识库。
2021-06-28 cs.AI cs.LO
Order-consistent programs are cautiously monotonic
在回答集（稳定模型）语义下，一些常规的逻辑程序缺乏“谨慎单调性”这一吸引人的性质。“也就是说，用一个结果来增强一个程序可能会导致它失去另一个结果。Fages证明了“顺序一致性”的句法条件来保证答案集的存在性。本文证明了序相容规划不仅是相容的，而且是谨慎单调的。由此可见，它们也是“累积性的”。“也就是说，增加一个与其某些后果相一致的秩序并不能改变其后果。事实上，正如我们所展示的，它的答案集保持不变。
2000-11-27 cs.AI cs.LO
Inductive Learning for Possibilistic Logic Programs Under Stable Models
Multi-dimensional data perception and intelligent recognition Chongqing Engineering Research Center, Chongqing University of Arts and Sciences, Chongqing, 402160, China（重庆艺术科技大学智能识别多维数据感知工程研究中心）；College of Computer Science and Technology, Guizhou University, Guiyang, 550025, China（贵州大学计算机科学与技术学院）；State Key Laboratory of Public Big Data（公共大数据国家重点实验室）；Key Laboratory of Advanced Medical Imaging（先进医学影像重点实验室）；Institute for Artificial Intelligence, Guizhou University, Guiyang, 550025, China（贵州大学人工智能研究所）；School of Information and Communication Technology, Griffith University, QLD 4111, Australia（格里菲斯大学信息与通信技术学院）
本文提出了一种基于稳定模型的可能逻辑程序归纳学习方法，通过定义归纳任务并设计算法，实现了从背景程序和示例中提取可能逻辑程序的功能。
2025-10-08 cs.AI
Induction of First-Order Decision Lists: Results on Learning the Past Tense of English Verbs
本文提出了一种从实例中归纳逻辑程序的方法，该方法学习一类新的概念，称为一阶决策表，定义为每个子句都以割结束的有序列表。该方法，称为FOIDL，是基于FOIL（昆兰，1990年），但采用内涵的背景知识，并避免了明确的反例的需要。它对于涉及特定例外的规则的问题特别有用，例如学习英语动词的过去时态，这是一项在符号/连接主义辩论背景下广泛研究的任务。FOIDL能够从比以前的方法（连接主义和符号）少得多的例子中学习简洁，准确的程序。
1995-06-01 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
Imparo is complete by inverse subsumption
在完整解释归纳的逆包容中，Yamamoto等人研究了哪些归纳逻辑程序设计系统可以通过使用逆包容而不是逆蕴涵来学习正确的假设$H$。证明了归纳逻辑程序设计系统Imparo是关于确定背景理论$B$和基原子实例$E$学习正确的确定假设$H$的逆包含完备系统，建立了$B$和$E$存在一个连接理论$T$，使得$H$包含$T$ .
2014-07-14 cs.AI
Revision of Defeasible Logic Preferences
University of Verona（维罗纳大学）；NICTA（国家信息与通信技术研究院）；Griffith University（格里菲斯大学）
有几种非单调推理的情况下，建立规则之间的优先级，其目的是防止冲突。一种被广泛用于非单调推理的形式主义是被称为可废止逻辑的怀疑主义。在可废止逻辑中，用于冲突解决的工具是规则之间的偏好关系，它建立了规则之间的优先级。在本文中，我们研究如何修改这样的偏好关系在一个可废止逻辑理论，以改变理论本身的结论。我们认为，我们采用的方法是适用于法律推理，用户，在一般情况下，不能改变事实或规则，但可以提出他们的偏好的相对强度的规则。我们提供了一个全面的研究可能的组合情况下，我们确定和分析的情况下，修订过程是成功的。在此分析之后，我们确定了三个修订/更新运营商，并研究他们对AGM假设的信念修订运营商，发现只有一部分这些假设是满足的三个运营商。
2012-11-23 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
Induction of Non-Monotonic Rules From Statistical Learning Models Using High-Utility Itemset Mining
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
我们提出了一个快速的和可扩展的算法，从统计学习模型诱导非单调逻辑程序。我们减少了搜索最佳条款的高效用项目集挖掘（HUIM）问题的实例的问题。在HUIM问题中，特征值和它们的重要性分别被视为事务和效用。我们利用TreeExplainer，可解释的AI工具SHAP的快速和可扩展的实现，从集成树模型中提取局部重要特征及其权重。我们的实验与UCI标准的基准表明，显着改善的分类评估指标和运行时间的训练算法相比，ALEPH，一个国家的最先进的归纳逻辑程序设计（ILP）系统。
2019-05-29 cs.LG cs.LO stat.ML
Abductive Logical Rule Induction by Bridging Inductive Logic Programming and Multimodal Large Language Models
State Key Laboratory of CAD&CG（计算机辅助设计与图形学国家重点实验室）；National Key Laboratory for Novel Software Technology（新型软件技术国家实验室）
本文提出 ILP-CoT，融合 MLLM 的规则结构提议与 ILP 的形式化推理，以在少量文本或视觉输入下纠正感知事实并完成溯因逻辑规则归纳。
2025-09-26 cs.LG
Pretrain on Small Synthetic Data, Scale Large for Free: Symmetry-Aware Foundation Model for Logic Rule Induction
Institute of Science Tokyo（东京科学大学）
该研究提出一种感知对称性的逻辑规则归纳基础模型，通过构造强制对称性将小型合成数据预训练的Neural Rule Inducer扩展至更大模式，提升了规则的可迁移性与保真度。
2026-08-04 cs.AI cs.LG cs.LO
Induction of Non-Monotonic Logic Programs to Explain Boosted Tree Models Using LIME
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
我们提出了一个启发式算法，诱导\textit{nonmonotonic}逻辑程序，将解释XGBoost训练分类器的行为。我们使用基于LIME方法的技术来局部选择有助于分类决策的最重要的特征。然后，为了解释该模型的全局行为，我们提出了石灰折叠算法-一个基于经验的归纳逻辑程序设计（ILP）算法能够学习非单调逻辑程序-我们应用到转换后的数据集产生的石灰。我们提出的方法是不可知的ILP算法的选择。我们的实验与UCI标准基准表明分类评估指标方面的显着改善。同时，与ALEPH（一种最先进的ILP系统）相比，诱导规则的数量显著减少。
2018-11-09 cs.LG stat.ML
Logical Grammar Induction via Graph Kolmogorov Complexity: A Neuro-Symbolic Framework for Self-Healing Clinical Data Integrity
Department of Computer Engineering, Ferdowsi University of Mashhad（法尔德大学马什哈德分校计算机工程系）
本文提出Logic-GNN框架，通过整合时间图神经网络与图柯莫戈罗夫复杂性，推断医疗交互的逻辑语法规则，以识别临床数据中的异常，实现自愈数据完整性。
2026-05-14 cs.LG
Using Domain Knowledge to Guide Dialog Structure Induction via Neural Probabilistic Soft Logic
UC Santa Cruz（加州大学圣克鲁兹分校）；Google Research（谷歌研究院）；Harvard University（哈佛大学）
本文提出神经符号方法NEUPSL DSI，将符号知识注入生成神经模型的潜在空间，以解决对话结构归纳在有限数据和分布偏移下表现不佳的问题，并在多个数据集和设置下实现一致性能提升。
2024-03-26 cs.CL cs.LG
Bayesian Entailment Hypothesis: How Brains Implement Monotonic and Non-monotonic Reasoning
Cardiff University（卡迪夫大学）
最近贝叶斯方法在神经科学和人工智能中取得的成功提出了大脑是贝叶斯机器的假设。由于逻辑作为思维的规律，是人脑的产物和实践，这导致了另一种假设，即存在用于逻辑推理的贝叶斯算法和数据结构。本文给出了蕴涵的贝叶斯解释，并刻画了蕴涵的抽象推理性质。贝叶斯蕴涵是一个单调的后果关系在极端情况下。一般来说，它是一种非单调的推论关系，没有谨慎单调性或割。优先蕴涵，这是一个代表性的非单调后果关系，被证明是最大后验蕴涵，这是贝叶斯蕴涵的近似。最后，我们讨论了我们的建议的优点，在编码偏好的默认值，处理变化和矛盾，和建模人类蕴涵。
2021-01-27 cs.AI cs.LG cs.LO
Induction and Exploitation of Subgoal Automata for Reinforcement Learning
Imperial College London（帝国理工学院）；Universitat Pompeu Fabra（庞培法布拉大学）
在本文中，我们提出了ISA，学习和利用子目标的情景强化学习（RL）任务的方法。ISA将强化学习与子目标自动机的归纳交织在一起，子目标自动机的边缘由任务的子目标标记，子目标表示为一组高级事件上的命题逻辑公式。子目标自动机也由两种特殊状态组成：一种状态表示任务成功完成，另一种状态表示任务已经完成但没有成功。一个国家的最先进的归纳逻辑程序设计系统被用来学习一个子目标自动机，覆盖的RL代理观察到的高级事件的痕迹。当当前利用的自动机不能正确识别轨迹时，自动机学习器会产生一个新的自动机来覆盖该轨迹。交错过程保证了具有最少状态数的自动机的归纳，并应用对称性破缺机制来缩小搜索空间，同时保持完整。我们评估ISA在几个网格世界和连续状态空间的问题，使用不同的RL算法，利用自动机结构。我们提供了一个深入的实证分析的自动机学习性能的痕迹，对称性破缺和具体的限制施加在最终的可学习的自动机。对于每一类RL问题，我们表明，学习的自动机可以成功地利用学习达到目标的政策，实现平均奖励的情况下，自动机没有学习，但手工制作，并事先给出。
2021-03-16 cs.AI cs.LG
FRRI: a novel algorithm for fuzzy-rough rule induction
Ghent University（根特大学）；University of Catania（卡塔尼亚大学）；Poznań University of Technology（波兹南工业大学）；Polish Academy of Sciences（波兰科学院）
本文提出了一种名为FRRI的新型模糊粗糙规则归纳算法，结合模糊集与粗糙集理论，实验表明其在准确性和规则集简洁性上优于现有方法。
2024-08-29 cs.AI cs.LG
STAND: Self-Aware Precondition Induction for Interactive Task Learning
Georgia Institute of Technology（佐治亚理工学院）；Carnegie Mellon University（卡内基梅隆大学）
STAND通过自感知学习机制，在交互式任务学习中实现高效且准确的预条件诱导，提升训练一致性和主动学习支持。
2026-02-04 cs.LG
A Smooth Transition Between Induction and Deduction: Fast Abductive Learning Based on Probabilistic Symbol Perception
National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
针对溯因学习中数值归纳与符号演绎转换导致的高计算成本问题，提出 PSP 优化算法，利用概率和高效数据结构实现低复杂度平滑转换并保持正确性。
2025-02-18 cs.LG
