Discovering a Shared Logical Subspace: Steering LLM Logical Reasoning via Alignment of Natural-Language and Symbolic Views
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Computer & Information Science and Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系）
本文提出通过对齐自然语言和符号视角的逻辑子空间来提升LLM的多步逻辑推理能力，通过实验验证该方法在四个基准测试中提升了准确率并具备良好的泛化能力。
2026-04-21 cs.CL
Logical Parsing from Natural Language Based on a Neural Translation Model
Beihang University（北京航空航天大学）
语义解析已经成为自然语言接口和问答系统的重要和强大的范例。传统的语义分析方法依赖于高质量的词典、手工编写的语法和语言特征，这些都受到应用领域或表示的限制。在本文中，我们提出了一种通用的方法来学习的表示的基础上Seq2Seq模型增强注意力机制。我们将输入序列编码为向量，并使用动态规划来推断候选逻辑形式。我们利用相似的话语应该具有相似的逻辑形式这一事实来帮助减少搜索空间。在我们的学习策略下，Seq2Seq模型可以逐渐学习带有噪声的映射。采用课程学习，使学习更加顺畅。我们测试我们的方法在算术域，这表明我们的模型可以成功地推断出正确的逻辑形式，并学习单词的含义，组合性和操作顺序的同时。
2017-05-09 cs.CL
A Neural-Symbolic Approach to Natural Language Understanding
Shanghai Jiaotong University（上海交通大学）；ByteDance（字节跳动）
由预先训练的语言模型授权的深度神经网络在自然语言理解（NLU）任务中取得了显着的成果。然而，当需要逻辑推理时，它们的性能会急剧恶化。这是因为NLU原则上不仅依赖于深度神经网络擅长的类比推理，还依赖于逻辑推理。根据双加工理论，类比推理和逻辑推理分别由人脑中的系统1和系统2完成。受该理论的启发，我们提出了一个新的框架NLU称为神经符号处理器（NSP），它执行基于神经处理的类比推理和基于神经和符号处理的逻辑推理。作为一个案例研究，我们进行了两个NLU任务，问答（QA）和自然语言推理（NLI），当数值推理（一种逻辑推理）是必要的实验。实验结果表明，我们的方法显着优于国家的最先进的方法在这两个任务。
2022-10-21 cs.CL
Catch Me If You Can: How Smaller Reasoning Models Pretend to Reason with Mathematical Fidelity
该研究提出诊断框架，揭示小型模型依赖模式匹配而非真实逻辑计算，通过四个轴线评估推理忠实性，推动可验证的数学推理研究。
2025-11-29 cs.CL
Are LLMs Rigorous Logical Reasoners? Empowering Natural Language Proof Generation by Stepwise Decoding with Contrastive Learning
South China University of Technology（华南理工大学）；Likelihood Lab（Likelihood实验室）；HKUST(GZ)（香港科技大学（广州））；HKUST（香港科技大学）
针对大语言模型自然语言证明规划中现有辅助方法成本高、生成过程探究不足的问题，提出对比学习增强的逐步解码方法，用难例微调缓解解码错误，提升证明生成质量，同时发现大模型仍难生成严谨逻辑链。
2025-10-30 cs.CL
Logical Semantics, Dialogical Argumentation, and Textual Entailment
LIRMM, Univ Montpellier, CNRS（蒙彼利埃大学 LIRMM 实验室、法国国家科学研究中心）
在这一章中，我们引入了一个新的一阶经典逻辑的对话系统，它接近于自然语言论证，并证明了它关于通常的经典有效性的完备性。我们将我们的对话系统与第二作者开发的Grail语法和语义分析器相结合，以解决自动文本蕴涵问题，也就是说，我们用它来决定一个句子是否是一个简短的文本的结果。这项工作，它连接自然语言语义和论证与对话逻辑，可以被视为一个推理的观点自然语言语义的一步。
2020-08-17 cs.CL
Logical analysis of natural language semantics to solve the problem of computer understanding
Institute of Cybernetics of NAS of Ukraine（乌克兰国家科学院控制论研究所）
一个面向对象的方法来创建一个自然语言理解系统被认为是。理解程序是建立在谓词演算基础上的形式系统。Horn的子句被用作格式良好的公式。推理是以归结原则为基础的。自然语言的句子是从典型谓词集合的角度来表示的。这些谓词描述物理对象和过程、抽象对象、范畴以及对象之间的语义关系。具体断言的谓词保存在数据库中。为了描述物理对象、抽象概念和过程的类的语义，应用了知识库。所提出的自然语言句子的表示是语义网。这种网的节点是典型的谓词。这种方法是透视，首先，这种典型化的节点基本上有利于形成的处理算法和对象的描述，其次，算法的有效性增加（特别是对于大量的节点），第三，描述的语义的话，spectropedic知识被使用，这基本上允许扩展类解决的问题。
2013-08-07 cs.CL
Zero-Shot Classification by Logical Reasoning on Natural Language Explanations
University of Illinois at 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）
本文提出 CLORE 框架，将自然语言解释解析为逻辑结构并进行显式推理，从而提升零样本分类性能，并可扩展到视觉模态且受语言偏差影响更小。
2023-05-25 cs.CL
Learning to Reason via Mixture-of-Thought for Logical Reasoning
UMD（马里兰大学）；Yale University（耶鲁大学）
针对 LLM 训练仅依赖单一推理模态的问题，本文提出融合自然语言、代码和真值表的 MoT 两阶段框架，在 FOLIO 与 ProofWriter 上最高提升平均准确率 11.7 个百分点。
2025-06-09 cs.CL
Reranking for Natural Language Generation from Logical Forms: A Study based on Large Language Models
本文提出先生成后重排序方法，利用任务特定重排序器从大语言模型生成的候选中选出语义一致且流畅的输出，以提升从逻辑形式生成自然语言的质量。
2023-09-21 cs.CL
LFC-DA: Logical Formula-Controlled Data Augmentation for Enhanced Logical Reasoning
Guangzhou University（广州大学）
本文提出LFC-DA流水线，通过符号逻辑公式控制数据增强，在ReClor和LogiQA上显著提升预训练模型的逻辑推理准确率。
2025-11-05 cs.CL
Discrete Word Embedding for Logical Natural Language Understanding
MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
我们提出了一个无监督的神经模型，用于学习单词的离散嵌入。与现有的离散嵌入不同，我们的二进制嵌入支持类似于连续嵌入的向量算术运算。我们的嵌入表示每个词作为一组命题语句描述的过渡规则在经典/CIPPS规划形式主义。这使得嵌入直接兼容的象征性，国家的最先进的经典规划求解器。
2020-10-15 cs.AI cs.CL
Divide and Translate: Compositional First-Order Logic Translation and Verification for Complex Logical Reasoning
KAIST（韩国科学技术院）；MIT（麻省理工学院）
本文提出 CLOVER 方法，通过将自然语言句子组合式地解析并翻译为一阶逻辑公式，再结合 SAT 求解器进行语义验证，从而提升 LLM 在复杂逻辑推理任务上的表现，并在七个基准上取得最优结果。
2025-02-25 cs.CL
Learning to Map Sentences to Logical Form: Structured Classification with Probabilistic Categorial Grammars
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
本文讨论了将自然语言句子映射到其意义的代数演算编码的问题。我们描述了一种学习算法，它将λ演算中标记有表达式的句子训练集作为输入。该算法归纳的语法问题，以及一个对数线性模型，表示分布在句法和语义分析的条件下的输入句子。我们将该方法应用于学习数据库的自然语言接口的任务，并表明学习的解析器优于以前的方法在两个基准数据库域。
2012-07-04 cs.CL
Logical Reasoning over Natural Language as Knowledge Representation: A Survey
Nanyang Technological University（南洋理工大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文综述了以自然语言作为知识表示、预训练语言模型作为推理器的逻辑推理新范式，涵盖其优势、基准、挑战及未来方向，该范式有效缓解了形式表示的瓶颈并优于端到端神经方法。
2024-02-16 cs.AI cs.CL
From Hypothesis to Premises: LLM-based Backward Logical Reasoning with Selective Symbolic Translation
本文提出HBLR框架，通过结合自信符号翻译与假设驱动反向推理，提升逻辑推理的准确性和效率。
2025-12-03 cs.CL
LogiNumSynth: Synthesizing Joint Logical-Numerical Reasoning Problems for Language Models
State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室）；Nanjing University（南京大学）
提出LogiNumSynth问题合成器，通过细粒度控制生成联合逻辑-数值推理任务，支持过程与答案评估及针对性训练，有效诊断并提升语言模型的综合推理能力。
2025-10-13 cs.CL
PCRLLM: Proof-Carrying Reasoning with Large Language Models under Stepwise Logical Constraints
Temple University（特拉华大学）
针对大语言模型逻辑连贯性有限的问题，提出PCRLLM框架，通过单步推理约束与明确前提、规则、结论的输出设计，实现黑盒链式验证，支持多LLM协作，并构建大规模步骤级推理数据基准模式。
2025-11-11 cs.CL
Separating Argument Structure from Logical Structure in AMR
University of Groningen（格罗宁根大学）
表示自然语言句子意义的AMR（抽象意义表示）形式主义不是为了处理范围和量词而设计的。通过扩展AMR与索引的上下文和制定这些上下文中的约束条件，推导出一种形式主义，使正确的预测涉及否定和绑定变量的推理。AMR的核心谓词-论元结构被保留了下来。由此产生的框架是类似的话语表征理论。
2020-10-27 cs.CL
Do Natural Language Explanations Represent Valid Logical Arguments? Verifying Entailment in Explainable NLI Gold Standards
University of Manchester（曼彻斯特大学）；Idiap Research Institute（IDIAP研究所）
可解释NLP的一个新兴研究方向是创建富含人工注释解释和原理的数据集，用于构建和评估具有逐步推理和解释生成功能的模型。虽然人类注释的解释被用作推理的基础事实，但缺乏对其一致性和严谨性的系统评估。为了给NLI解释金标准（XGS）提供一个关键的质量评估，我们提出了一个系统的解释方法，命名为解释蕴涵验证（EEV），以量化人类注释的逻辑有效性。EEV在三个主流数据集上的应用揭示了一个令人惊讶的结论，即大多数解释，虽然表面上看起来连贯，但代表逻辑上无效的论点，从不完整到包含明显可识别的逻辑错误。这一结论证实了解释的推理性质仍然缺乏形式化和理解，并且有必要在这一研究领域开展额外的工作，以改善解释金标准的构建方式。
2021-05-15 cs.AI cs.CL
NeuralLog: Natural Language Inference with Joint Neural and Logical Reasoning
Rose-Hulman Institute of Technology（罗斯-霍曼理工学院）；Indiana University（印第安纳大学）
基于深度学习（DL）的语言模型在自然语言推理（NLI）的各种基准测试中实现了高性能。在这个时候，象征性的方法NLI受到较少的关注。这两种方法（符号和DL）都有其优点和缺点。然而，目前，没有方法将它们结合在一个系统中来解决NLI的任务。为了融合符号学习和深度学习方法，我们提出了一个名为NeuralLog的推理框架，它利用基于单调性的逻辑推理引擎和神经网络语言模型进行短语对齐。我们的框架模型的NLI任务作为一个经典的搜索问题，并使用束搜索算法搜索最佳推理路径。实验表明，我们的联合逻辑和神经推理系统提高了NLI任务的准确性，并可以在SICK和MED数据集上达到最先进的准确性。
2021-06-10 cs.AI cs.CL
Natural language understanding for logical games
Department of Computer Science, Technical University of Cluj-Napoca（克卢日-纳波卡技术大学计算机科学系）
我们开发了一个能够自动解决自然语言的逻辑难题的系统。我们的解决方案是由一个解析器和一个推理模块。解析器将文本转换为一阶逻辑（FOL），而MACE 4模型查找器用于计算给定FOL理论的模型。我们还赋予我们的软件代理提供是/否的答案与每个难题相关的自然语言问题的能力。此外，根据解释人工智能（XAI），代理可以支持其答案，提供证明的图形表示。使用推理来进行自然语言理解（NLU）而不是机器学习的优点在于，用户可以获得推理链的解释。我们说明了系统如何执行各种类型的自然语言难题，包括382骑士和无赖难题。这些功能与80.89\%的整体性能率一起，使所提出的解决方案的改进后，类似的解决方案的自然语言理解的难题域。
2021-10-01 cs.AI cs.CL cs.LO
Join-Chain Network: A Logical Reasoning View of the Multi-head Attention in Transformer
Duke University（杜克大学）；Tencent AI Lab（腾讯人工智能实验室）
开发能够进行逻辑推理的神经架构对于广泛的应用（例如，自然语言处理）。为了实现这一宏伟目标，我们提出了一个符号推理架构，链接许多连接运算符在一起，以模拟输出逻辑表达式。特别是，我们证明了这样的合奏的连接链可以表示一个广泛的子集的“树结构”的一阶逻辑表达式，名为FOET，这是特别有用的建模自然语言。为了赋予它可微的学习能力，我们仔细研究了各种神经算子近似的符号连接链。有趣的是，我们发现Transformer中广泛使用的多头自注意模块可以理解为一种特殊的神经算子，它实现了概率谓词空间中连接算子的联合界。我们的分析不仅为BERT等预训练模型用于自然语言理解的机制提供了新的视角，而且还提出了几个重要的未来改进方向。
2022-10-23 cs.CL cs.LG
Evaluating the Logical Reasoning Ability of ChatGPT and GPT-4
Westlake University（西湖大学）；Zhejiang University（浙江大学）；Nanyang Technological University（南洋理工大学）；Fudan University（复旦大学）
该研究通过多个逻辑推理基准及自建分布外数据集测试ChatGPT和GPT-4的推理能力，发现二者在知名数据集表现较好但新数据集和分布外场景性能下降，同时发布了LogiEval基准套件。
2023-05-05 cs.AI cs.CL
MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning
Shandong University（山东大学）；National University of Singapore（新加坡国立大学）
逻辑推理对自然语言理解至关重要。以往的研究要么采用基于图的模型来整合关于逻辑关系的先验知识，要么通过数据增强将符号逻辑引入神经模型。然而，这些方法严重依赖于带注释的训练数据，并且因此由于数据集稀疏而遭受过拟合和差的泛化问题。为了解决这两个问题，在本文中，我们提出MERIt，元路径引导的对比学习方法的逻辑推理的文本，进行自我监督的预训练丰富的未标记的文本数据。两个新的策略作为我们的方法不可或缺的组成部分。特别地，设计了一种基于元路径的策略来发现自然文本中的逻辑结构，然后采用反事实数据增强策略来消除预训练导致的信息捷径。在两个具有挑战性的逻辑推理基准上的实验结果，即，ReClor和LogiQA证明，我们的方法优于SOTA基线，具有显着的改进。
2022-03-01 cs.AI cs.CL
Identifying Implicit Premises for Logical Reconstruction of Argument Graphs
University College London（伦敦大学学院）
本文针对论证图逻辑重构中省略式论证的隐含前提问题，提出神经符号管道方法，结合大型语言模型生成隐含前提并评估，用于证明陈述间的逻辑关系。
2026-08-20 cs.AI cs.CL
Logical forms complement probability in understanding language model (and human) performance
University of Chicago（芝加哥大学）；University of Waterloo（滑铁卢大学）；Vector Institute（向量研究所）
本文构建命题与模态逻辑三段论受控数据集，系统评估LLM的自然语言逻辑推理能力，证明逻辑形式与输入概率共同影响模型行为，并比较了人类与LLM的推理异同。
2025-02-17 cs.CL cs.LO
Autoformalizing Natural Language to First-Order Logic: A Case Study in Logical Fallacy Detection
Stanford University（斯坦福大学）；X, the moonshot factory（X moonshot工厂）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zürich（苏黎世联邦理工学院）；University of Toronto（多伦多大学）
本文提出NL2FOL框架，利用大语言模型将自然语言逐步自动形式化为一阶逻辑，并结合SMT求解器进行逻辑推理，在无需微调或标注数据的情况下于逻辑谬误检测任务中取得强劲表现且提供可解释性。
2025-03-06 cs.AI cs.CL cs.LG
FSLI: An Interpretable Formal Semantic System for One-Dimensional Ordering Inference
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
FSLI将自然语言排序推理转化为一阶逻辑，通过基于组合语义的解析算法和约束逻辑编程实现可解释的符号演绎，在BIG-bench上达100%准确率并优于LLM基线。
2025-09-19 cs.CL cs.LO
Recursive Neural Networks Can Learn Logical Semantics
Stanford（斯坦福大学）
用于句子意义的树结构递归神经网络（TreeRNNs）在许多应用中都取得了成功，但它们学习的固定长度表示是否能够支持像逻辑推理这样要求苛刻的任务仍然是一个悬而未决的问题。我们通过评估两个这样的模型--普通TreeRNN和树结构神经张量网络（TreeRNTNs）--是否可以正确地学习识别逻辑关系，如使用这些表示的蕴涵和矛盾。在我们的第一组实验中，我们从逻辑语法中生成人工数据，并使用它来评估模型学习处理基本关系推理、递归结构和量化的能力。然后，我们在更自然的SICK挑战数据上评估模型。这两个模型在SICK数据上表现出竞争力，并且在模拟数据的所有三个实验中都具有很好的泛化能力，这表明它们可以学习自然语言中逻辑推理的合适表示。
2015-05-14 cs.CL cs.LG cs.NE
RobustLR: Evaluating Robustness to Logical Perturbation in Deductive Reasoning
University of Southern California（南加州大学）
Transformers已经被证明能够在包含用英语自然语言编写的规则和语句的逻辑规则库上执行演绎推理。虽然进展是有希望的，但目前还不清楚这些模型是否确实通过理解语言中的底层逻辑语义来执行逻辑推理。为此，我们提出了RobustLR，一套评估数据集，评估这些模型的鲁棒性，以最小的逻辑编辑规则库和一些标准的逻辑等价条件。在我们对RoBERTa和T5的实验中，我们发现在以前的工作中训练的模型在RobustLR中的不同扰动上表现不一致，因此表明模型对所提出的逻辑扰动不鲁棒。此外，我们发现模型发现学习逻辑否定和析取运算符特别困难。总的来说，使用我们的评估集，我们证明了一些基于演绎推理的语言模型的缺点，这最终可以帮助设计更好的模型，逻辑推理超过自然语言。所有数据集和代码库都已公开。
2022-11-08 cs.CL cs.LG cs.LO
Towards Logically Sound Natural Language Reasoning with Logic-Enhanced Language Model Agents
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
针对LLMs在开放式任务中易出现逻辑错误的问题，提出逻辑增强框架LELMA，通过自动形式化将自然语言推理转化为逻辑表示以验证和优化推理，实验表明该框架有效提升了错误检测准确率与推理正确性。
2025-05-29 cs.AI cs.CL cs.GT
Robust and Explainable Identification of Logical Fallacies in Natural Language Arguments
University of Southern California（南加州大学）；Information Sciences Institute（信息科学研究所）；armasuisse Science and Technology（瑞士联邦国防采购局科学技术部）；Cyber-Defence Campus（网络防御园区）
本文构建检测、粗粒度与细粒度分类的三阶段逻辑谬误评估框架，结合可解释推理、知识注入、数据增强和课程学习，系统评估模型鲁棒性并开源代码数据。
2023-09-25 cs.AI cs.CL
Logical Structure as Knowledge: Enhancing LLM Reasoning via Structured Logical Knowledge Density Estimation
Huzhou University（湖州大学）；Zhejiang Key Laboratory of Intelligent Education Technology and Application（浙江智能教育技术与应用重点实验室）；Banbu AI Foundation（Banbu AI基金会）；Baichuan Inc（白川公司）；University of Edinburgh（爱丁堡大学）；Zhejiang University（浙江大学）
本文提出通过结构化逻辑知识密度估计提升LLM推理能力，通过增强逻辑密度而非扩大数据量来提高模型认知潜力。
2026-02-12 cs.AI cs.CL cs.LG
Rule2Text: Natural Language Explanation of Logical Rules in Knowledge Graphs
University of Texas at Arlington（德克萨斯理工大学）
针对知识图谱逻辑规则难被人类理解的问题，本研究探索用大语言模型生成其自然语言解释，提取多数据集规则并检验多种提示策略，经评估验证了方法的有效性，相关资源已公开。
2025-07-31 cs.AI cs.CL cs.LG
Declarative Question Answering over Knowledge Bases containing Natural Language Text with Answer Set Programming
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Arizona State University（亚利桑那州立大学）
虽然近年来基于机器学习（ML）的方法已经成为开发端到端问答系统的流行方法，但是当需要额外的知识来正确回答问题时，这样的系统经常会遇到困难。所提出的替代方案涉及将问题和自然语言文本翻译成逻辑表示，然后使用逻辑推理。然而，当文本的大小变得更大时，这种替代方法就不起作用了。为了解决这个问题，我们提出了一种方法，在自然语言文本中编写的前提进行逻辑推理。所提出的方法使用答案集编程（ASP）的最新功能来调用执行简单文本蕴涵的外部NLP模块（可能基于ML）。为了测试我们的方法，我们开发了一个语料库的生存周期问题的基础上，并表明，我们的系统实现了$18\%$性能增益相比，标准MCQ求解器。
2019-05-01 cs.AI cs.CL
Which Programming Language and What Features at Pre-training Stage Affect Downstream Logical Inference Performance?
The University of Tokyo（东京大学）
本研究在相同条件下从头预训练模型，发现使用编程语言训练的模型在逻辑推理和指令遵循上优于自然语言模型，且抽象语法树深度也影响推理性能。
2025-06-28 cs.AI cs.CL
Stratified Consistency Distillation for Natural Language Formalization
North Carolina State University（北卡罗来纳州立大学）；Amazon Web Services（亚马逊网络服务）
该研究针对自然语言到逻辑公式翻译准确率提升难题，提出分层一致性蒸馏方法，经实验在Pass@K与等价逻辑相似度指标上获显著稳定提升，推进了逻辑翻译技术发展。
2026-10-05 cs.AI cs.CL
Planning with Logical Graph-based Language Model for Instruction Generation
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；Department of Computer Science, Guizhou University（贵州大学计算机科学系）
本文提出 Logical-GLM，通过构建逻辑贝叶斯图并生成逻辑骨架来指导语言模型训练，在更少数据和参数下提升指令文本生成的逻辑正确性与可解释性。
2024-07-05 cs.AI cs.CL
Learning Executable Semantic Parsers for Natural Language Understanding
Stanford University（斯坦福大学）
为了构建问答系统和自然语言接口，语义解析已经成为一种重要而强大的范例。语义分析器将自然语言映射为逻辑形式，这是许多重要语言现象的经典表示。现代的转折是，我们对从数据中学习语义解析器感兴趣，这引入了一个新的统计和计算问题层。本文列出了统计语义解析器的组件，并强调了关键的挑战。我们将看到，语义解析是逻辑和统计世界的丰富融合，这种融合将在未来的自然语言理解系统中发挥不可或缺的作用。
2016-03-22 cs.AI cs.CL
Fine-Tuned Large Language Models for Logical Translation: Reducing Hallucinations with Lang2Logic
Pennsylvania State University（宾夕法尼亚州立大学）
本文提出了一种通过微调大型语言模型来减少逻辑翻译中幻觉的框架，利用自定义语法和符号计算库生成可靠的合取范式。
2025-12-02 cs.AI cs.CL
Beyond Surface Forms: Symbolic Edits as a Test for Logical Reasoning with LLMs
Monash University（莫纳什大学）；University College London（伦敦大学学院）
本研究提出工具驱动的符号编辑框架，通过可控修改逻辑算子等结构成分，发现不同LLM在算子编辑下的推理行为不一致，可用于评估模型推理可靠性。
2026-09-01 cs.AI cs.CL
The neural correlates of logical-mathematical symbol systems processing resemble that of spatial cognition more than natural language processing
Tsinghua University（清华大学）；Beijing Normal University（北京师范大学）
本研究通过元分析和合成神经图谱对比发现，逻辑-数学符号加工的神经关联更接近空间认知而非语言加工，支持空间认知是其基础的假说，可为解释大语言模型的逻辑推理局限提供参考。
2024-06-20 cs.AI cs.CL q-bio.NC
Natural Language Semantics and Computability
CNRS（法国国家科学研究中心）；LaBRI（波尔多计算机科学实验室）；Université de Montpellier（蒙彼利埃大学）；LIRMM（蒙彼利埃计算机科学、机器人学与微电子学实验室）
本文是对自然语言语义可计算性的反思。它不包含自然语言的形式语义中的新模型或新结果：它是对当前在自然语言语义中使用的逻辑模型和算法的计算分析，定义为语句到逻辑公式的映射-公式，因为语句可能是二义性的。我们认为，只要可能世界语义被排除在外，可以计算一个给定的语句的语义表示（S），包括词汇意义的方面。我们还讨论了这个过程的算法复杂性。
2016-05-13 cs.AI cs.CC cs.CL
