Learning Probabilistic Logic Programs with Functional Gradient Guided Language Models
Technische Universität Darmstadt(达姆施塔特工业大学);The University of Texas at Dallas(德克萨斯大学达拉斯分校);AT&T CDO(AT&T首席数字官办公室);Oregon state University(俄勒冈州立大学)
提出神经符号框架grasp,将关系结构学习转化为函数梯度提升,用LLM处理难的内部搜索,在Tox21等四个基准上优于多种基线,生成可解释带权规则集成。
2026-10-09 cs.AI
DMN-Guided Prompting: A Framework for Controlling LLM Behavior
Politecnico di Torino(都灵理工大学);Stockholm University(斯德哥尔摩大学)
针对大语言模型决策逻辑嵌入提示难修改的问题,提出DMN引导的提示框架,将复杂决策逻辑拆解为小组件引导模型执行,案例研究中效果优于CoT提示,学生反馈积极。
2025-09-04 cs.AI
A Simple Doxastic Deontic Logic for Norm-Guided Decision Making
TU Wien(维也纳工业大学)
本文提出一种简单的信念道义逻辑,用于在冲突规范和不完整信息下进行决策,并定义了信念规范合规优化问题,区分主观与客观优化,并给出可归约为加权部分MaxSAT的条件。
2026-10-02 cs.AI cs.LO
NL2LOGIC: AST-Guided Translation of Natural Language into First-Order Logic with Large Language Models
Virginia Tech(弗吉尼亚理工大学);Universitas Ary Ginanjar(阿里·金纳jar大学)
NL2LOGIC通过引入抽象语法树,结合递归大语言模型和生成器,实现了高准确性的自然语言到一阶逻辑转换,提升了逻辑求解的准确性和可执行性。
2026-01-29 cs.AI cs.CL
TOGGLE: Temporal Logic-Guided Large Language Model Compression for Edge
University of Missouri-Columbia(密苏里大学哥伦比亚分校)
TOGGLE通过结合时序逻辑与贝叶斯优化,实现了在不重新训练的情况下,对大型语言模型进行高效压缩,同时保持语言属性的正式保证。
2025-12-18 cs.AI cs.LO
Problem-Solving Logic Guided Curriculum In-Context Learning for LLMs Complex Reasoning
School of Artificial Intelligence, Beijing Normal University(人工智能学院,北京师范大学)
本研究提出基于问题解决逻辑的课程化上下文学习方法,通过分析问题解决逻辑选择和排序示例,提升LLM复杂推理能力。
2025-05-30 cs.AI cs.CL
Beyond Seen Data: Improving KBQA Generalization Through Schema-Guided Logical Form Generation
The University of Melbourne(墨尔本大学)
针对KBQA面对未见知识库元素泛化能力差的问题,提出SG-KBQA模型,通过注入模式上下文增强实体检索和逻辑形式生成,在多个基准上超越现有模型。
2025-09-10 cs.AI cs.CL
Do Explanations Increase the Risk of Decision Logic Leakage? Explanation-Guided Stealing of Graph Models
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));Xiamen University(厦门大学);The Pennsylvania State University(宾夕法尼亚州立大学)
研究解释机制可能泄露图神经网络决策逻辑的风险,提出一种结合解释对齐与数据增强的模型窃取框架,实验证明其优于传统方法。
2026-06-02 cs.AI cs.LG
Abstract Reasoning via Logic-guided Generation
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学)
抽象推理,即,从给定的观察中推断复杂的模式,是人工智能的核心组成部分。虽然人类通过消除错误的候选人或首先构建答案来找到答案,但基于深度神经网络(DNN)的方法专注于前一种判别方法。本文旨在为后一种方法设计一个框架,并弥合人工智能和人类智能之间的差距。为此,我们提出了逻辑引导生成(Logic-guided generation,LoGe),这是一种新的生成式DNN框架,可以将抽象推理减少为命题逻辑中的优化问题。LoGe由三个步骤组成:从图像中提取命题变量,用逻辑层推理答案变量,并从变量重构答案图像。我们证明,在RAVEN基准测试下,LoGe优于黑盒DNN框架的生成抽象推理,即,基于从观察捕获各种属性的正确规则来重构答案。
2021-08-11 cs.AI cs.CV cs.LG
Towards Neural-Guided Program Synthesis for Linear Temporal Logic Specifications
University of Toronto(多伦多大学);Vector Institute(向量研究所)
综合实现逻辑规范的程序是计算机科学中的经典问题。我们研究了一种特殊类型的程序合成,其目标是合成一种策略,该策略对潜在的敌对环境做出反应,同时确保所有执行满足线性时序逻辑(LTL)规范。不幸的是,通过逻辑推理解决所谓的LTL合成的精确方法不具有规模。在这项工作中,我们铸造LTL合成作为一个优化问题。我们采用了一个神经网络学习Q函数,然后用来指导搜索,并构建程序,随后验证的正确性。我们的方法在将搜索与深度学习相结合以实现LTL合成方面是独特的。在我们的实验中,学习的Q-函数提供了有效的指导与相对较小的规格的综合问题。
2019-12-31 cs.AI cs.FL cs.GT
Too Big to Fail? Active Few-Shot Learning Guided Logic Synthesis
New York University(纽约大学);University of Calgary(卡尔加里大学);Qualcomm Technologies, Inc.(高通技术公司)
次优综合变换序列的生成是逻辑综合中的一个重要问题。手工制作的合成配方质量很差。现有技术水平的机器学习(ML)用于生成合成配方,但不会扩展到大型网表,因为模型需要从头开始训练,为此使用耗时的合成运行来收集训练数据。我们提出了一种新的方法,靶心,微调过去的合成数据的预训练模型,以准确地预测一个看不见的网表的合成配方的质量。这种方法比最先进的机器学习方法实现了2 - 10倍的运行时间改进和更好的结果质量(QoR)。
2022-04-05 cs.AI cs.AR cs.LG
Logic and Commonsense-Guided Temporal Knowledge Graph Completion
Institute of Artificial Intelligence, Beihang University(北京航空航天大学人工智能学院);Hangzhou Innovation Institute, Beihang University(北京航空航天大学杭州创新研究院)
针对时间知识图谱补全中事件时间敏感性与因果性表示不足的问题,提出逻辑与常识引导的嵌入模型(LCGE),联合学习时间敏感与常识表示,通过规则引导正则化及常识知识提升性能并提供可解释性。
2023-05-15 cs.AI cs.CL
Interpretable and Explainable Logical Policies via Neurally Guided Symbolic Abstraction
Technical University of Darmstadt(达姆施塔特工业大学);National Research Center for Applied Cybersecurity(国家应用网络安全研究中心);Eindhoven University of Technology(埃因霍温理工大学);Hessian Center for AI (hessian.AI)(黑森人工智能中心);German Research Center for AI (DFKI)(德国人工智能研究中心)
本文提出NUDGE框架,通过神经引导的可微逻辑规则搜索,构建兼具可解释性与可说明性的策略,其性能优于纯神经网络且适应不同环境规模。
2023-10-25 cs.AI cs.CL cs.LG
Logical Specifications-guided Dynamic Task Sampling for Reinforcement Learning Agents
Tufts University(塔夫茨大学);University of Texas at Austin(德克萨斯大学奥斯汀分校);Georgia Tech Research Institute(佐治亚理工学院研究所);University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出逻辑规范引导的动态任务采样方法LSTS,在不依赖环境动态或奖励机信息的情况下动态采样任务,以更少环境交互学习目标策略,并在多个任务上优于现有RM和自动机引导的强化学习方法。
2024-04-03 cs.AI cs.LG cs.RO
LoSemB: Logic-Guided Semantic Bridging for Inductive Tool Retrieval
The Hong Kong Polytechnic University(香港理工大学)
LoSemB通过逻辑引导的语义桥接框架,在无需重新训练的情况下实现高效归纳工具检索,缓解分布偏移和相似度检索的脆弱性。
2026-01-21 cs.AI cs.CL
Probably Approximately Correct Explanations of Machine Learning Models via Syntax-Guided Synthesis
Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);National University of Singapore(新加坡国立大学)
我们提出了一种新的方法来理解复杂机器学习模型的决策(例如,深度神经网络)使用可能近似正确学习(PAC)和被称为语法引导合成(SyGuS)的逻辑推理方法的组合。我们证明,我们的框架产生的解释很有可能只产生很少的错误,并根据经验表明,它可以有效地产生小的、人类可解释的解释。
2020-09-18 cs.AI
Towards Proof Synthesis Guided by Neural Machine Translation for Intuitionistic Propositional Logic
IBM Research -- Tokyo(IBM研究院(东京));Kyoto University(京都大学)
受深度神经网络(DNN)在机器学习中的最新发展的启发,我们探索了它们在PL相关主题中的应用。本文是实现这一目标的第一步;我们提出了一种无否定命题逻辑的证明合成方法,其中我们使用DNN来获得证明搜索的指南。这个想法是把证明综合问题看作是从命题到其证明的转换。我们训练seq 2seq,这是神经机器翻译中的一个流行网络,因此它生成一个编码为给定命题的$λ$ -项的证明。我们实现了整个框架,并根据经验观察到,生成的证明项在AST的树编辑距离方面接近于正确的证明。这一观察结果证明了使用经过训练的seq 2seq模型的输出作为证据搜索的指导是合理的。
2017-06-20 cs.AI cs.LO cs.PL
Logic-Guided Multistage Inference for Explainable Multidefendant Judgment Prediction
Data Science Institute, Shandong University(山东大学数据科学研究院)
本文提出一种基于逻辑引导的多阶段推理框架,用于提升多被告案件中罪责区分的准确性与可解释性。
2026-01-19 cs.AI cs.LG
LOGSAFE: Logic-Guided Verification for Trustworthy Federated Time-Series Learning
Department of Computer Science(计算机科学系);Vanderbilt University(范德比大学)
LOGSAFE通过逻辑推理评估客户端可靠性,有效检测并排除恶意参与者,实验表明其在时间序列联邦学习中显著优于现有方法,错误率降低达93.27%。
2026-03-24 cs.AI cs.CR cs.DC
Evaluating Implicit Regulatory Compliance in LLM Tool Invocation via Logic-Guided Synthesis
本文提出LogiSafetyGen框架,通过逻辑引导合成评估LLM在工具调用中的隐式监管合规性,揭示大模型在安全约束上的不足。
2026-01-13 cs.AI cs.CL cs.CR
Signal Temporal Logic-Guided Apprenticeship Learning
University of Southern California(南加州大学)
针对含时序依赖子目标的任务中学徒学习受演示质量限制的问题,提出将信号时序逻辑规范编码为图并定义时态度量以优化奖励与策略推断的方法,可大幅减少学习控制策略所需的演示数量。
2023-11-09 cs.AI cs.LG cs.RO
OpenABC-D: A Large-Scale Dataset For Machine Learning Guided Integrated Circuit Synthesis
New York University(纽约大学)
逻辑综合是集成电路(IC)设计中一个具有挑战性且研究广泛的组合优化问题。它将使用Verilog等程序设计语言的硬件高级描述转换为优化的数字电路网表,即实现功能的互连布尔逻辑门网络。由于ML在解决其他领域的组合和图形问题方面的成功,ML引导的逻辑综合工具的设计越来越受到关注。然而,没有标准的数据集或原型学习任务定义为这个问题域。在这里,我们描述了OpenABC-D,一个大规模的,标记的数据集,通过综合开源设计与领先的开源逻辑合成工具,并说明其在开发,评估和基准ML引导的逻辑合成的使用。OpenABC-D具有中间和最终输出,其形式为从1500次合成运行产生的870,000个与反相器图(AIG)加上标签,例如优化的节点计数和延迟。我们在这个数据集上定义了一个通用的学习问题,并对现有的解决方案进行了基准测试。与数据集创建和基准测试模型相关的代码可以在https://www.example.com上找到。github.com/NYU-MLDA/OpenABC.git生成的数据集可通过https://www.example.com获得archive.nyu.edu/handle/2451/63311
2021-10-21 cs.AI cs.LG cs.SY
Fuzzy Logic Guided Reward Function Variation: An Oracle for Testing Reinforcement Learning Programs
The Hong Kong Polytechnic University(香港理工大学)
本文提出一种基于模糊逻辑的自动化预言机,通过量化智能体对奖励策略的符合趋势来检测RL程序缺陷,在复杂测试场景中优于人工预言机。
2024-06-28 cs.AI cs.SE
A Machine Learning guided Rewriting Approach for ASP Logic Programs
Department of Mathematics and Computer Science University of Calabria(卡利亚里大学数学与计算机科学系)
回答集编程(ASP)是一种声明式逻辑形式主义,允许通过逻辑程序编码计算问题。尽管声明性质的形式主义,一些先进的专业知识是必需的,在一般情况下,设计一个ASP编码,可以有效地评估一个实际的ASP系统。试图减少手动调整ASP程序的负担的常见方法包括根据合适的技术自动重写输入编码,以产生替代的但语义上等效的ASP程序。然而,重写并不总是在性能方面给予好处,因此,需要适当的手段来预测其效果与这方面。在本文中,我们描述了一种基于机器学习(ML)的方法来自动决定是否重写。特别是,给定一个ASP程序和一组输入事实,我们的方法选择是否以及如何重写输入规则的基础上测量其结构属性和域信息的一组功能。为此,一个多层感知器模型,然后训练,以指导ASP地面I-DLV重写输入规则。我们报告并讨论了一个原型实现的实验评估的结果。
2020-09-22 cs.AI cs.LG cs.LO
Circuit-MLLM: Topological Logic-Guided Latent-Space Visual Reasoning for Circuit Schematic Understanding
Zhejiang University(浙江大学)
针对多模态大模型难以理解电路原理图拓扑逻辑的问题,提出Circuit-MLLM框架,通过潜在空间内器件定位、路径追踪和拓扑引导的顺序推理,显著提升电路分析性能,平均得分比GPT-5.1高25%。
2026-09-15 cs.AI cs.CV cs.LG
In Search of the Long-Tail: Systematic Generation of Long-Tail Inferential Knowledge via Logical Rule Guided Search
University of Southern California(南加州大学);Ohio State University(俄亥俄州立大学);Fudan University(复旦大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Pittsburgh(匹兹堡大学);University of Washington(华盛顿大学);Cornell University(康奈尔大学)
本文提出LINK框架,通过逻辑规则引导搜索系统化生成长尾推理数据,并构建含108K条语句的LINT数据集,评估发现现有LLM在长尾分布上性能显著下降,凸显长尾评估对提升模型泛化能力的重要性。
2024-10-04 cs.AI cs.CL
Automata-Guided Hierarchical Reinforcement Learning for Skill Composition
Boston University(波士顿大学);Department of Mechanical Engineering(机械工程系)
通过(深度)强化学习学习的技能通常在各个领域的泛化能力很差,当面临新任务时,重新训练是必要的。我们提出了一个框架,结合技术在\textit{formal methods}与\textit{reinforcement learning}(RL)。我们提供的方法允许使用逻辑表达式方便地指定任务,学习具有明确定义的内在奖励的分层策略(元控制器和低级控制器),并从现有的技能中构建新技能,几乎没有额外的探索。我们在一个简单的网格世界模拟以及AI2Thor中更复杂的厨房环境中评估了所提出的方法
2018-05-21 cs.AI
Logic Guided Genetic Algorithms
University of Toronto(多伦多大学);University of Waterloo(滑铁卢大学);Perimeter Institute for Theoretical Physics(周界理论物理研究所)
我们提出了一种新的辅助真值增强的遗传算法(GA),使用逻辑或数学约束作为数据增强的手段,以及计算损失(与传统的MSE结合),其目的是提高数据的效率和准确性的符号回归(SR)算法。我们的方法,逻辑引导的遗传算法(LGGA),作为输入的一组标记的数据点和辅助真理(AT)(数学事实已知先验的未知函数的回归目标学习),并输出一个专门生成和策划的数据集,可以使用任何SR方法。三个关键的见解支撑我们的方法:第一,SR用户通常知道简单的AT关于他们试图学习的功能。其次,每当SR系统产生与这些AT不一致的候选方程时,我们可以计算一个反例来证明不一致性,并且进一步地,该反例可以用于增强数据集并在校正反馈回路中反馈给SR系统。第三,这些AT的附加价值在于,它们在损失函数和数据增强过程中的使用导致更好的收敛率、准确性和数据效率。我们评估LGGA对国家的最先进的SR工具,即Eureqa和TuringBot的16个物理方程从“费曼物理讲座”的书。我们发现,使用这些SR工具与LGGA结合使用,结果是它们可以多解30.0%的方程,与没有LGGA的相同工具相比,只需要一小部分数据量,即,数据效率提高了61.9%。
2020-10-21 cs.AI cs.LG cs.NE
HolStep: A Machine Learning Dataset for Higher-order Logic Theorem Proving
University of Innsbruck(因斯布鲁克大学);Google Research(谷歌研究院)
大型计算机可理解的证明由数百万个中间逻辑步骤组成。这些步骤中的绝大多数源自应用于中间目标的手动选择和手动引导的策略。到目前为止,机器学习通常还没有被用于过滤或生成这些步骤。在本文中,我们介绍了一个新的数据集的基础上高阶逻辑(HOL)的证明,开发新的机器学习为基础的定理证明策略的目的。我们在BSD许可证下公开提供此数据集。我们提出了各种机器学习任务,可以在这个数据集上执行,并讨论了它们的意义定理证明。我们还对一组适合任务的简单基线机器学习模型(包括逻辑回归、卷积神经网络和递归神经网络)进行了基准测试。我们的基线模型的结果表明,应用机器学习HOL定理证明的承诺。
2017-03-01 cs.AI
On First-Order Model-Based Reasoning
Università degli Studi di Verona(维罗纳大学);Universität Koblenz-Landau(科布伦茨-兰道大学)
众所周知,在一阶逻辑中进行语义推理是一个挑战。本文调查的选择语义指导或基于模型的方法,旨在满足这一挑战的各个方面。对于一阶逻辑,我们触及基于分辨率的方法,基于表格的方法,DPLL启发的方法,我们给出了一个预览的新方法,称为SGGS,语义引导的目标敏感推理。对于一阶理论,我们强调层次和基于局部的方法,最后与最近的模型构造可满足性演算。
2019-11-20 cs.AI
Symbolic Rule Extraction from Attention-Guided Sparse Representations in Vision Transformers
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出从视觉转换器中提取可执行逻辑程序的方法,通过稀疏概念层和逻辑程序生成算法提升模型的可解释性和可验证性。
2025-05-10 cs.AI cs.CV
Deep Reinforcement Learning for Synthesizing Functions in Higher-Order Logic
Czech Technical University in Prague(布拉格捷克理工大学)
本文描述了一个基于证明助手HOL4中的自监督学习的深度强化学习框架。通过选择树神经网络(TNN)作为机器学习模型和内部使用HOL4项来表示TNN的树结构,实现了机器学习模块和HOL4库之间的紧密交互。当任务被表示为搜索问题时,递归改进是可能的。在这种情况下,由TNN引导的蒙特卡罗树搜索(MCTS)算法可以用于探索搜索空间并产生用于训练下一个TNN的更好的示例。作为说明,指定并学习了组合子和丢番图方程的术语合成任务。我们实现了65%的组合子合成问题的成功率优于国家的最先进的ATP运行与他们最好的一般策略集。我们通过解决78.5%的生成的测试问题,开创了统计指导合成丢番图方程的先例。
2020-04-24 cs.AI cs.LO
Retrieval-Guided Reinforcement Learning for Boolean Circuit Minimization
Qualcomm Incorporated(高通公司);University of Calgary(卡尔加里大学);New York University(纽约大学)
针对逻辑综合中预训练智能体面对全新硬件设计易偏离搜索轨迹的问题,提出 ABC-RL,利用最近邻检索相似度调节 α 参数,显著提升 QoR 并降低运行时间。
2024-01-22 cs.AI cs.AR cs.LG
Intent Assurance using LLMs guided by Intent Drift
University of Toronto(多伦多大学)
本文提出一种基于大语言模型生成AI驱动策略的意图保障框架,用于检测意图漂移并采取行动,确保意图在动态网络中持续实现。
2024-02-02 cs.AI cs.NI stat.ME
Neural-Guided Deductive Search for Real-Time Program Synthesis from Examples
Georgia Tech(佐治亚理工学院);Microsoft Research India(微软研究院印度);Microsoft Research Redmond(微软研究院雷德蒙德)
从少量的输入输出示例中合成用户预期的程序是一个具有挑战性的问题,有几个重要的应用程序,如电子表格操作,数据处理和代码重构。现有的合成系统要么完全依赖于大量手工设计的演绎逻辑技术,要么依赖于需要大量数据的纯统计模型,并且通常无法在具有挑战性的基准上提供实时的【形】合成。在这项工作中,我们提出了神经引导演绎搜索(NGDS),一种混合合成技术,结合了最好的符号逻辑技术和统计模型。因此,它生成的程序通过构造满足所提供的规范,并在看不见的示例上很好地泛化,类似于数据驱动系统。我们的技术有效地利用了演绎搜索框架,以减少学习问题的神经组件到一个简单的监督学习设置。此外,这使我们能够在有限的真实世界数据上进行训练,并仍然利用强大的递归神经网络编码器。我们证明了我们的方法的有效性,通过对真实世界的客户场景进行评估,通过合成准确的程序,与最先进的系统相比,速度高达12倍。
2018-09-09 cs.AI cs.LG cs.PL
Learning from Imperfect Demonstrations via Temporal Behavior Tree-Guided Trajectory Repair
本文提出利用时间行为树修复不完美示范轨迹,以提升机器人控制策略的学习效果,通过生成逻辑一致且可解释的数据集,指导强化学习 agent 向任务一致的 state space 区域发展。
2026-04-05 cs.AI cs.LG cs.RO