Enhancing Systematic Decompositional Natural Language Inference Using Informal Logic
Johns Hopkins University(约翰斯·霍普金斯大学);Allen Institute for AI(艾伦人工智能研究所);University of Arizona(亚利桑那大学)
针对分解式文本推理缺乏明确判定协议导致的数据集噪声、性能受限问题,提出有理论依据的分解式蕴含标注方法,构建内部一致性提升9%的RDTE数据集,结合知识蒸馏训练的分类器可有效提升蕴含树推理的准确率与证明质量。
2024-08-12 cs.AI cs.CL
Enhancing Transformers for Generalizable First-Order Logical Entailment
Department of Computer Science and Engineering, HKUST, Hong Kong SAR, China(香港科技大学计算机科学与工程系);Department of Computer Science and Engineering, Beihang University, Beijing, China(北航计算机科学与工程系);Department of Mathematical Sciences, Tsinghua University, Beijing, China(清华大学数学科学系)
本文研究了Transformer的可泛化一阶逻辑推理能力,揭示了以往架构设计中位置编码的不匹配问题,并提出逻辑感知架构TEGA以显著提升其在一阶逻辑蕴含任务上的性能。
2025-07-10 cs.AI cs.CL
ASP for Minimal Entailment in a Rational Extension of SROEL
Università del Piemonte Orientale(皮埃蒙特东方大学)
在本文中,我们利用回答集编程(ASP)推理的合理扩展SROEL-R-T的低复杂度的描述逻辑SROEL,这是OWL EL本体语言的基础。在扩展语言中,典型性算子T被允许定义概念T(C)(典型的C)在一个合理的语义。它已被证明,合理蕴涵下的实例检查有一个多项式的复杂性。为了加强理性蕴涵,在本文中,我们考虑了最小模型语义。我们证明了,对于任意的SROEL-R-T知识库,在最小蕴涵下的实例检验是<$^P_2-完全的。依赖于一个小模型的结果,模型对应于一个合适的ASP编码的答案集,我们利用答案集偏好(特别是Asprin框架)推理下最小的蕴涵。本文正在考虑接受逻辑程序设计的理论与实践。
2016-08-08 cs.AI
Explaining Textual Entailment with Lexical Entailments: Using LLMs to Supply Lexical Relations for Formal Proofs
本文评估LLM在逻辑NLI系统中提供词汇蕴含的能力,发现其生成关系部分合理且贡献有限,任务仍具挑战性。
2026-09-29 cs.AI cs.CL
Evonne: Interactive Proof Visualization for Description Logics (System Description) -- Extended Version
TU Dresden(德累斯顿工业大学)
描述逻辑蕴涵的解释为大型本体的维护提供了重要的支持。在本体编辑器中通常用于此目的的“证明”精确指出本体中负责给定蕴涵的部分。蕴涵的证明使中间的推理步骤变得明确,从而解释了一个结论实际上是如何推导出来的。我们提出了一个交互式的系统,探索描述逻辑证明,称为Evonne,可视化的表达DL写的本体论的后果证明。我们描述了用于计算这些证明的方法,以及一个称为基于签名的证明浓缩的功能。此外,我们使用真实的本体来评估生成的证明的质量。
2022-05-19 cs.AI cs.LO
Preprocessing in Inductive Logic Programming
Linacre College University of Oxford(牛津大学李纳克尔学院)
归纳逻辑程序设计是一种机器学习,其中逻辑程序从示例中学习。这种学习通常相对于作为逻辑程序提供的某些背景知识发生。本文介绍了底层预处理,一种在ILP系统必须考虑的程序上生成初始约束的方法。底层预处理将逆蕴涵的思想应用于现代ILP系统。逆蕴涵是Progol引入的一种有影响力的早期ILP方法。本文还提出了$\bot$ -Popper,它是现代ILP系统Popper的底层预处理的一个实现.实验表明,底层预处理可以减少ILP系统在困难问题上的学习时间。当问题中的背景知识量很大时,这种减少可能特别显著。
2021-12-21 cs.AI cs.LG cs.LO
Logical reduction of metarules
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);University of Oxford(牛津大学)
许多形式的归纳逻辑程序设计(ILP)使用\emph{metarules},二阶Horn子句,来定义可学习程序的结构,从而定义假设空间。决定哪些元规则用于给定的学习任务是一个主要的开放问题,并且是效率和表现力之间的权衡:假设空间随着元规则的增加而增长,所以我们希望使用更少的元规则,但是如果我们使用太少的元规则,那么我们就会失去表现力。本文研究了元规则的碎片是否可以逻辑约简为极小有限子集。我们考虑两种传统形式的逻辑还原:包容和蕴涵。我们还考虑了一种新的减少技术称为\emph{derivation reduction},这是基于SLD分辨率。我们计算减少集的元片段相关的ILP和理论上表明这些减少集是否减少更一般的无限片段。我们的实验比较学习减少集元规则的三个领域:Michalski火车,字符串变换和游戏规则。一般来说,推导缩减集的元规则优于包容和蕴涵缩减集,无论是在预测精度和学习时间。
2019-07-25 cs.AI cs.LG
Why Not? Explaining Missing Entailments with Evee (Technical Report)
TU Dresden(德累斯顿工业大学);VU Amsterdam(阿姆斯特丹自由大学)
针对本体中预期结论未被推出的问题,论文介绍了 Protégé 插件 $\rm E{\scriptsize VEE}$ 的新版本,利用溯因与反例技术解释缺失的蕴涵。
2023-08-15 cs.AI cs.LO
Nominals, Inverses, Counting, and Conjunctive Queries or: Why Infinity is your Friend!
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Oxford University Computing Laboratory(牛津大学计算实验室)
描述逻辑是知识表示的形式主义,它提供了例如W3C OWL标准的逻辑基础。合取查询是数据库中的标准查询语言,作为查询描述逻辑知识库的一种表达形式,近年来得到了广泛的关注。几种不同的技术,决定合取查询蕴涵可用于广泛的DL。然而,OWL 1和OWL 2 DL中的名词、逆角色和数量限制的组合导致了迄今为止可用的技术无法解决的问题。我们解决这个问题,并提出了一个决定性的结果蕴涵工会的合取查询在DL ALCHOIQb,同时包含所有三个有问题的建设者。提供查询只包含简单的角色,我们的结果也显示了可判定性蕴涵(工会)合取查询的逻辑,支持OWL 1 DL,我们相信,所提出的结果将铺平道路,进一步取得进展合取查询蕴涵决策程序的描述逻辑基础的OWL标准。
2014-01-16 cs.AI cs.LO
The Price of Selfishness: Conjunctive Query Entailment for ALCSelf is 2ExpTime-hard
Technische Universität Dresden(德累斯顿工业大学);University of Wrocław(弗罗茨瓦夫大学)
在基于逻辑的知识表示中,查询应答已经基本上取代了单纯的可满足性检查,成为人们主要感兴趣的推理问题。对于基本描述逻辑ALC中的知识库,众所周知,合取查询(CQ)回答的计算复杂性是ExpTime-complete的,因此不比可满足性更难。当逻辑被某些特征(如计数或角色层次)扩展时,这不会改变,而添加其他特征(逆、名词或传递性与角色层次)会使CQ回答指数级困难。我们通过展示一个令人惊讶的事实来贡献这一系列结果,即即使仅通过Self运算符扩展ALC-在许多其他上下文中被证明是无害的-也会将CQ蕴涵的复杂性增加到2 ExpTime。对于这种类型的问题,我们的证明建立了一个减少从交替图灵机运行在指数空间,但一些新的想法和编码技巧需要使该方法在特定的,有限的设置工作。
2021-08-15 cs.AI cs.LO
Defeasible Reasoning in SROEL: from Rational Entailment to Rational Closure
Università del Piemonte Orientale(东皮埃蒙特大学)
在这项工作中,我们研究了一个合理的扩展$SROEL^R T$的低复杂度描述逻辑SROEL,这是OWL EL本体语言的基础。该扩展涉及一个典型性算子T,其语义基于Lehmann和Magidor的排名模型,并允许定义可废止包含。我们考虑了理性蕴涵和最小蕴涵。我们表明,决定最小蕴涵下的实例检查一般是$Π^P_2$ -硬,而在合理的蕴涵,实例检查可以计算在多项式时间。我们开发了一个Datasheet演算,例如检查下的合理蕴涵和利用它,分层否定,计算合理的封闭的简单KB在多项式时间。
2018-03-23 cs.AI
Finding Good Proofs for Description Logic Entailments Using Recursive Quality Measures (Extended Technical Report)
TU Dresden(德累斯顿工业大学)
基于逻辑的人工智能方法的优势在于,它们的行为原则上可以向用户解释。例如,如果一个描述逻辑推理器推导出一个触发整个系统的某个动作的结果,那么人们可以通过在适当的演算中给出该结果的证明来解释这样的蕴涵。如何理解这样的证明不仅取决于所采用的演算,而且还取决于特定证明的属性,例如其整体大小,其深度,所采用的句子和证明步骤的复杂性等。一个给定的证明质量的措施。而不是调查这个问题的一个固定的证明演算和一个固定的措施,我们的目标是一般的结果,持有广泛的类演算和措施。在以前的工作中,我们首先将注意力限制在使用证明大小来衡量证明质量的设置上。然后,我们将该方法扩展到更一般的设置,但没有涵盖证明深度等重要措施。在本文中,我们提供的一类措施称为递归的结果,产生较低的复杂性,也包括证明深度。此外,我们填补了我们以前的工作中留下的一些空白,从而提供了复杂性景观的全面画面。
2022-05-25 cs.AI cs.LO
On Finite and Unrestricted Query Entailment beyond SQ with Number Restrictions on Transitive Roles
University of Warsaw(华沙大学);Cardiff University(卡迪夫大学);University of Bremen(不来梅大学)
我们研究的描述逻辑SQ的数量限制适用于传递的角色,扩展与名或逆角色。我们展示了严格的2 EXPTIME上界的不受限制的蕴涵定期路径查询的扩展和有限蕴涵的正存在查询的名。对于逆,我们建立2 EXPTIME-完整性的实例查询的无限制和有限蕴涵(后者限制到一个单一的,传递的角色)。
2020-10-22 cs.AI cs.LO
Identification of Entailment and Contradiction Relations for Natural Language Argumentation: A Neurosymbolic Approach
University College London(伦敦大学学院)
本文提出一种基于AMR图、命题逻辑和SAT求解器的可解释RTE流水线,并引入松弛方法处理措辞差异,在四个数据集上验证了有效性。
2026-10-14 cs.AI cs.CL
Towards Propositional KLM-Style Defeasible Standpoint Logics
University of Cape Town(开普敦大学);CAIR(计算与人工智能研究所);Technische Universität Dresden(德累斯顿工业大学);Center for Scalable Data Analytics and Artificial Intelligence Dresden/Leipzig(德累斯顿/莱比锡可扩展数据分析与人工智能中心)
本文提出可废止受限立场逻辑DRSL,整合排序解释与立场结构构建其语义,将KLM的理性闭包扩展到该逻辑并给出等价的算法与语义刻画,验证其蕴涵检验复杂度与命题KLM一致。
2024-10-05 cs.AI
Finite Entailment of UCRPQs over ALC Ontologies
Cardiff University(卡迪夫大学);University of Warsaw(华沙大学)
我们研究的问题有限蕴涵本体介导的查询。我们考虑表达查询语言,联盟的合取正则路径查询(UCRPQs),扩展著名的类联盟的合取查询,正则表达式的角色。我们期待在本体制定使用描述逻辑ALC,并显示一个紧密的2EXPTIME上限蕴涵的UCRPQs。在我们的决策过程的核心,有一个新的自动机为基础的技术,引入了分层的解释所引起的确定性有限自动机的输入UCRPQ
2022-05-06 cs.AI cs.DB cs.LO
Can You Tell the Difference? Contrastive Explanations for ABox Entailments
Knowledge in Artificial Intelligence, Vrije Universiteit Amsterdam, The Netherlands(人工智能知识,荷兰阿姆斯特丹自由大学);Data Science Group, Heinz Nixdorf Institute, Paderborn University, Germany(数据科学组,海因茨·尼克斯多夫研究所,帕德博恩大学)
针对“为何a是C实例而b不是”的问题,提出对比ABox解释概念,分析其在描述逻辑本体ABox推理中的计算复杂度并实现初步方法,聚焦a和b的共性与差异。
2025-11-14 cs.AI cs.LO
EntailLLM: Verifying Agent-Generated Vulnerability Discovery Paths with Domain Knowledge via Logic Programming
Syracuse University(雪城大学);HRL Laboratories(HRL实验室)
EntailLLM通过逻辑编程结合领域知识验证LLM生成的漏洞发现路径,在三类CWE、四个LLM等多组实验中,将合并蕴含率从78%提升至98%,可端到端部署且无需逐设备调优。
2026-10-27 cs.AI cs.CR cs.LO
Conservative Extensions in Horn Description Logics with Inverse Roles
Universität Bremen(不来梅大学)
研究了Horn描述逻辑中保守扩张的可判定性和计算复杂性,以及与之相关的不可分离性和蕴涵概念.我们认为这两个查询保守的扩展,定义要求所有的合取查询的答案保持不变,和演绎保守的扩展,这要求所涉及的概念包含,角色包含和功能断言不改变。查询保守扩展的上界是特别具有挑战性的,因为通用模型之间的无界同态的特征,这是建立可判定性的标准方法的基础,在逆角色的存在下失败。我们诉诸于一个特征,仔细混合无界和有界同态,使决策过程,结合树自动机和马赛克技术。我们的主要结果是:查询保守扩展在ELI和Horn-ALCHIF之间以及Horn-ALC和Horn-ALCHIF之间的所有DL上都是2 ExpTime完全的;演绎保守扩展在ELI和ELHIF_ \bot之间的所有DL上都是2 ExpTime完全的。同样的结果也适用于不可分离性和蕴涵。
2020-11-19 cs.AI
Satisfiability and Query Answering in Description Logics with Global and Local Cardinality Constraints
TU Dresden(德累斯顿工业大学);University of Wrocław(弗罗茨瓦夫大学)
我们介绍和调查的表达描述逻辑(DL)ALCSCC++,在其中的全局和局部基数约束在以前的文件中介绍的可以混合。一方面,我们证明了这不会增加可满足性检查和其他标准推理问题的复杂性。另一方面,可满足性问题成为不可判定的,如果逆角色添加到语言。此外,即使没有相反的角色,合取查询蕴涵在这个DL原来是不可判定的。我们证明了查询的可判定性可以恢复,如果全局和局部约束不混合和全局约束适当的限制。后一个结果基于局部非循环模型构造,并且它将查询蕴涵减少到受限设置中的ABox一致性,即,到ABox一致性w.r.t. ALCSCC中的受限基数约束,我们可以显示ExpTime上限。
2020-02-14 cs.AI cs.LO
FALCON: Scalable Reasoning over Inconsistent ALC Ontologies
Delft University of Technology(代尔夫特理工大学);University of Toronto(多伦多大学);University of Notre Dame(圣母大学)
提出FALCON模糊本体神经推理器,通过近似模型生成与采样,实现大规模不一致ALC本体的可扩展近似推理,并在生物医学知识库补全中验证其有效性。
2024-05-27 cs.AI cs.LO
Theoretical Foundations of Defeasible Description Logics
Stellenbosch University(斯泰伦博斯大学);University of Cape Town(开普敦大学);Maastricht University(马斯特里赫特大学);University of Manchester(曼彻斯特大学);CNRS(法国国家科学研究中心)
我们扩展描述逻辑(DL)与非单调推理功能。我们首先研究的概念,可废止包容的精神,可废止条件研究克劳斯,莱曼和Magidor在命题的情况下。特别是,我们认为一个自然和直观的语义可废止包容,并调查KLM风格的句法属性的优惠和合理的包容。我们的贡献包括两个代表性的结果连接我们的语义结构的优惠和合理的属性考虑。除了表明我们的语义是适当的,这些结果铺平了道路,更有效的决策程序,可废止推理的DL。事实上,我们还分析了问题的非单调推理的DL在蕴涵的水平,并提出了一个算法的合理关闭的可废止本体的计算。重要的是,我们的算法完全依赖于经典的蕴涵,并表明,计算复杂性的推理可废止的本体是不坏的推理在底层的经典DL ALC。
2019-04-16 cs.AI cs.LO
Modal Logic S5 Satisfiability in Answer Set Programming
University of Calabria(卡拉布里亚大学);Technical University of Crete(克里特理工大学);University of Huddersfield(哈德斯菲尔德大学)
本文提出使用回答集编程实现模态逻辑S5可满足性判定,通过可达性关系识别相关命题原子,实验表明该方法性能与基于SAT的先进求解器相当,而蕴含关系推理开销较大。
2021-08-09 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
Reasoning about Minimal Belief and Negation as Failure
我们研究MBNF的命题片段中的推理问题,Lifschitz引入的最小信念和否定的逻辑,它可以被认为是几个非单调形式主义的统一框架,包括默认逻辑,自认知逻辑,限定,认知查询和逻辑编程。我们描述的复杂性,并提供算法的命题MBNF推理。特别是,我们表明,蕴涵命题MBNF位于第三级的多项式层次,因此,它比推理在所有上述命题形式主义的非单调推理。我们还证明了MBNF中的否定失败和摩尔的自认知逻辑中的否定内省之间的确切对应关系。
2011-06-01 cs.AI
Rethinking Explanations: Formalizing Contrast in Description Logics
Data Science Group, Heinz Nixdorf Institute, Paderborn University Germany(数据科学小组、海因茨·尼克斯多夫研究所、帕德博恩大学德国)
本文提出对比解释,旨在回答为何某一公理P为真而非另一公理Q,通过形式化描述逻辑中的对比问题,探讨其性质与实现。
2026-05-02 cs.AI math.LO
On the Complexity of Entailment for Cumulative Propositional Dependence Logics
University of Helsinki(赫尔辛基大学)
本文研究了累积命题依赖逻辑和累积命题逻辑(带有团队语义)的蕴含问题的复杂性,通过关系模型确定了其复杂性结果。
2026-05-20 cs.AI cs.LO
A preferential interpretation of MultiLayer Perceptrons in a conditional logic with typicality
Università della Calabria(卡拉布里亚大学);Università di Torino(都灵大学);Università del Piemonte Orientale(东皮埃蒙特大学)
本文研究知识表示中可废止推理的多优先语义与多层神经网络的关系,利用带典型性的加权知识库为多层感知机提供优先解释,并通过模型检测和蕴含方法验证其条件性质。
2023-09-19 cs.AI cs.LO cs.NE
Defeasible RDFS via Rational Closure
CNR - ISTI(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 - 开普敦人工智能研究所)
本文将理性闭包集成到RDFS中,通过扩展$ρdf$为$ρdf_\ot$并引入新谓词符号,提出保持三元组语法且可在多项式时间内判定的可废止$ρdf_\ot$。
2023-06-01 cs.AI cs.LO
On the relationship between fuzzy logic and four-valued relevance logic
在模糊命题逻辑中,一个命题被赋予[0,1]中的部分真值。众所周知,在某些情况下,模糊逻辑会崩溃为经典逻辑。在本文中,我们将表明,在对偶条件下,模糊逻辑崩溃的四值(相关)逻辑,其中的命题有真值真,假,未知,或矛盾。因此,模糊蕴涵可以被认为是“介于”四值(相关)蕴涵和经典蕴涵。
2000-10-31 cs.AI
Data Complexity in Expressive Description Logics With Path Expressions
TU Dresden(德累斯顿工业大学);University of Wrocław(弗罗茨瓦夫大学)
本文分析 ZOIQ 在拟森林上可满足性的数据复杂性,证明其 NP 完全,并据此重新刻画 OWL2 SR 族及 ZIQ 根查询蕴涵的复杂性界限。
2024-06-11 cs.AI cs.CC cs.LO
Towards Unifying Logical Entailment and Statistical Estimation
Cardiff University(卡迪夫大学)
本文给出了一个用于数据驱动逻辑推理的形式逻辑解释的生成模型。其关键思想是将解释表示为给定形式逻辑模型的公式为真的可能性。使用似然性,贝叶斯定理给出了模型的后验是给定公式的情况。后验表示形式逻辑的逆向解释,寻求使公式为真的模型。似然和后验导致贝叶斯学习,它给出了在所有前提都为真的模型中结论为真的概率。本文着眼于贝叶斯学习的统计和逻辑特性。证明了生成模型是逻辑和统计中几种不同类型推理的统一理论。
2022-02-27 cs.AI
Logic Against Bias: Textual Entailment Mitigates Stereotypical Sentence Reasoning
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
由于其基于相似性的学习目标,预先训练的句子编码器经常内化反映其训练语料库中存在的社会偏见的刻板假设。在本文中,我们描述了流行的句子表示模型中存在的关于不同社区的几种刻板印象,包括预训练的下一句预测和对比句子表示模型。我们比较这样的模型文本蕴涵模型,学习语言逻辑的各种下游语言理解任务。通过比较基于文本相似度的强预训练模型和文本蕴涵学习,我们得出结论,具有文本蕴涵的显式逻辑学习可以显著减少偏见,提高社会社区的识别,而无需显式的去偏见过程
2023-03-10 cs.AI cs.CL cs.CY
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
On Rational Entailment for Propositional Typicality Logic
Cardiff University(卡迪夫大学);University of Luxembourg(卢森堡大学);University of Cape Town(开普敦大学);CAIR(南非人工智能研究中心);Univ. Artois(阿尔图瓦大学);CNRS(法国国家科学研究中心)
命题典型性逻辑(Propositional Typicality Logic,PTL)是一种新提出的逻辑,它通过典型性算子来丰富经典的命题逻辑,该算子捕捉了给定句子成立的最典型(别名正常或常规)情况。PTL的语义是在著名的KLM方法中研究的优先推理的排名模型,因此KLM风格的合理后果关系可以嵌入PTL。尽管典型性算子的语义引入了非单调特征,但PTL的蕴涵的明显的塔斯基定义仍然是单调的,因此在许多上下文中是不合适的。我们的第一个重要结果是一个不可能性定理表明,一套拟议的假设,在第一次似乎都适合的概念蕴涵方面的典型性不能同时得到满足。更仔细的检查表明,这一结果最好解释为主张发展一种以上类型的PTL蕴涵的论点。在这种解释的精神,我们调查三个不同的(语义)版本的蕴涵PTL,每一个基于合理的封闭的定义,介绍了莱曼和Magidor KLM式条件,并使用不同的概念构建的最小。
2020-02-03 cs.AI cs.LO
Towards Non-Monotonic Entailment in Propositional Defeasible Standpoint Logic
University of Cape Town and CAIR, South Africa(开普敦大学和CAIR,南非);Université Sorbonne Paris Nord, Inserm, Sorbonne Université, Limics, 93017 Bobigny, France(巴黎-索邦大学,Inserm,索邦大学,Limics,法国93017博比尼);ISTI-CNR, Pisa, Italy(意大利比萨ISTI-CNR)
本文通过引入情境立场条件句,将KLM风格的非单调理性蕴涵关系提升到命题可废止立场逻辑(PDSL)的一个片段中,并证明了该片段可表达为一组情境条件句,进而将基于排序的蕴涵关系(如理性和词典序闭包)从命题情况忠实翻译到PDSL,同时保持复杂度界限。
2026-06-02 cs.AI cs.LO
A Primer for Preferential Non-Monotonic Propositional Team Logics
FernUniversität in Hagen(哈根大学);University of Helsinki(赫尔辛基大学)
该文在命题团队语义框架下研究KLM风格偏好非单调推理,证明团队命题逻辑可生成累积非单调后承,给出满足System P的命题依赖逻辑偏好模型的精确刻画,并说明经典及依赖逻辑后承的非平凡偏好模型表示方法。
2024-05-11 cs.AI cs.LO
A Logic-based Approach for Recognizing Textual Entailment Supported by Ontological Background Knowledge
Universität zu Köln(科隆大学);Fraunhofer-Institut FKIE(弗劳恩霍夫FKIE研究所)
我们提出了一个新的系统识别文本蕴涵(RTE)的体系结构和评价。在RTE中,我们希望自动识别两个输入文本之间的逻辑关系的类型。特别是,我们感兴趣的是证明它们之间的蕴涵的存在。我们设想我们的系统作为一个模块化的环境,允许高覆盖率的语法和语义的文本分析结合逻辑推理。对于句法和语义分析,我们将深层语义分析与统计模型支持的浅层语义分析相结合,以提高结果的质量和准确性。对于RTE,我们使用一阶逻辑推理,采用模型理论技术和自动推理工具。该推理由自动提取的问题相关背景知识支持,并根据需要从外部源提取,例如,WordNet、YAGO和OpenCyc,或其他更多的实验源,例如,手动定义的预设解决方案,或与公理化的一般和常识知识。结果表明,来自不同来源的细粒度和一致的知识是确定结果的正确性和可追溯性的必要条件。
2013-10-18 cs.AI cs.CL cs.LO
Logic of temporal attribute implications
Palacky University Olomouc(奥洛穆茨帕拉茨基大学)
我们研究逻辑推理与if-then公式描述对象的属性之间的依赖关系,观察在连续的时间点。我们介绍了语义蕴涵的公式,显示其不动点特征,调查封闭性质的模型类,提出了一个公理化,并证明其完整性,并调查替代公理化和规范化的证明。我们研究了逻辑的可判定性和复杂性问题,并证明了蕴涵问题是NP-难的,属于EXPSPACE。我们表明,通过限制到预测公式,蕴涵问题是可判定的伪线性时间。
2015-05-04 cs.AI cs.DB cs.LO
Standpoint Logics with Defeasible Beliefs
University of Cape Town(开普敦大学);CAIR, South Africa(南非人工智能研究中心);Technische Universität Dresden(德累斯顿工业大学);ScaDS.AI – Center for Scalable Data Analytics and Artificial Intelligence Dresden/Leipzig, Germany(德国德累斯顿/莱比锡可扩展数据分析与人工智能中心)
将KLM可废止逻辑与立场逻辑框架结合,提出DRSL,通过公理化语义和多种蕴涵关系提升,实现多视角下可废止信念的形式化表达。
2026-06-07 cs.AI cs.LO
Bayes Meets Entailment and Prediction: Commonsense Reasoning with Non-monotonicity, Paraconsistency and Predictive Accuracy
Cardiff University(卡迪夫大学);National Institute of Technology, Sendai College(仙台国立工业高等专门学校)
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。由于逻辑和学习都是人类大脑的实践,这导致了另一个假设,即逻辑推理和机器学习都有贝叶斯解释。在本文中,我们介绍了一个生成模型的逻辑后果关系。它形式化了一个句子的真值是如何从世界状态的概率分布中概率地生成的过程。我们表明,生成模型的特点是经典的后果关系,次协调的后果关系和非单调的后果关系。特别是,生成模型给出了一个新的结果关系,优于他们的推理不一致的知识。我们还表明,生成模型给出了一种新的分类算法,在Kaggle Titanic数据集上的预测准确性和复杂性方面优于几种代表性算法。
2021-01-27 cs.AI
Inclusion of Domain-Knowledge into GNNs using Mode-Directed Inverse Entailment
BITS Pilani(皮拉尼博拉理工学院)
我们提出了一个通用的技术,用于构建图神经网络(GNNs)能够使用多关系领域的知识。该技术基于归纳逻辑程序设计(ILP)中发展的模式定向逆蕴涵(MDIE)。给定一个数据实例$e$和背景知识$B$,MDIE识别一个最具体的逻辑公式$\bot_B(e)$,该公式包含$B$中与$e$相关的所有关系信息。我们用一个“底图”来表示$\bot_B(e)$,这个底图可以转换成适合GNN实现的形式。这种转换允许将通用背景知识纳入GNN的原则性方式:我们使用术语“BotGNN”来表示这种形式的图神经网络。对于几种GNN变体,使用具有大量背景知识的真实数据集,我们表明BotGNN的表现明显优于没有背景知识的GNN和最近提出的将领域知识纳入GNN的简化技术。我们还提供了实验证据比较BotGNNs有利的多层感知器(MLP),使用的功能表示“命题化”形式的背景知识; BotGNNs的标准ILP的基础上使用最具体的条款。总之,这些结果表明BotGNNs能够将GNNs的计算效率与ILP的代表性多功能性相结合。
2021-08-14 cs.AI cs.LG cs.NE