Reasoning for Improved Sensor Data Interpretation in a Smart Home
Örebro University（厄勒布鲁大学）
本文提出了一种用于时间序列信号解释的本体表示和推理范式。这些信号来自观察智能环境的传感器。为注释过程选择的信号是一组不直观且复杂的气体传感器数据。该范例的本体受SSN本体（语义传感器网络）的启发，用于表示传感器数据和上下文信息。解释过程主要由增量ASP求解器完成，该增量ASP求解器作为输入接收从本体的内容生成的逻辑程序。上下文信息与本体中给出的高级领域知识一起用于推断对由气体传感器检测到的环境空气中的变化的解释（答案集）。
2014-12-26 cs.AI
Domain-Contextualized Concept Graphs: A Computable Framework for Knowledge Representation
School of Information Science and Technology, Northeast Normal University（信息科学与技术学院，东北师范大学）
针对传统知识图谱受固定本体束缚的问题，提出CDC框架，将领域作为一等表示元素并以C-D-C三元组建模，结合形式化谓词与Prolog实现可计算推理。
2025-10-19 cs.AI
Ethosight: A Reasoning-Guided Iterative Learning System for Nuanced Perception based on Joint-Embedding & Contextual Label Affinity
Cisco Research（思科研究院）；Stockholm University（斯德哥尔摩大学）；Reykjavik University（雷克雅未克大学）；Icelandic Institute for Intelligent Machines（冰岛智能机器研究院）；Georgia Institute of Technology（佐治亚理工学院）；Cisco Systems（思科系统公司）；University of California, Irvine（加利福尼亚大学欧文分校）；AbsoluteMode Engine；Temple University（天普大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出零样本视频分析系统 Ethosight，结合联合嵌入、本体推理与运行时适应，在边缘设备上实现低标注、持续且无灾难性遗忘的细微场景感知，并开源代码与数据集。
2023-08-20 cs.AI cs.CV
Towards Self-explanatory Ontology Visualization with Contextual Verbalization
Institute of Mathematics and Computer Science, University of Latvia（拉脱维亚大学数学与计算机科学研究所）
本体是语义网的核心基础之一。要参与语义Web项目，领域专家需要能够理解所涉及的本体。可视化符号可以提供本体的概述，并帮助用户理解实体之间的联系。然而，用户首先需要学习视觉符号，然后才能正确地解释它。受控的自然语言表示将是立即可读的，并且在复杂公理的情况下可能是优选的，然而，本体的结构将保持不太明显。我们建议结合本体可视化与上下文本体verbalizations选定的本体（图）元素，显示控制自然语言（CNL）解释OWL公理对应于选定的视觉符号元素。因此，领域专家将受益于图形符号提供的高级概述和图中特定元素的详细文本解释。
2016-07-06 cs.AI cs.CL
Automated Extraction and Creation of FBS Design Reasoning Knowledge Graphs from Structured Data in Product Catalogues Lacking Contextual Information
Indian Institute of Science（印度科学学院）；Harting India Private Limited（浩亭印度私人有限公司）
针对缺乏上下文的企业结构化产品数据无法直接构建标准本体知识图谱的问题，提出基于规则的方法与工作流，结合KG与NLP从遗留数据自动提取构建FBS本体知识图谱，经工业试点验证有效并总结了相关挑战与机遇。
2024-12-08 cs.AI cs.CL cs.IR
Reasoning with Justifiable Exceptions in Contextual Hierarchies (Appendix)
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Technische Universität Wien（维也纳工业大学）
本文是Bozzato，Serafini和Eiter在2018年发表的论文“在上下文层次结构中具有正当性的推理”的附录。它提供了关于语言，复杂性结果和主要论文中介绍的数据库翻译的进一步细节。
2018-08-06 cs.AI cs.LO
Inductive Reasoning with Equality Predicates, Contextual Rewriting and Variant-Based Simplification
本文提出一个基于等式谓词、上下文重写和变体化简的归纳推理系统，20条规则中仅9条需用户交互，其余11条可自动执行，大部分已在Maude的NuITP中实现。
2024-05-03 cs.LO
Contextual and Possibilistic Reasoning for Coalition Formation
UCL（伦敦大学学院）；University of Luxembourg（卢森堡大学）
在多智能体系统中，智能体通常需要依赖其他智能体来实现其目标，例如当它们缺乏所需的资源或没有能力执行所需的动作时。因此，代理商需要合作。然后，提出的一些问题是：与哪些代理合作？代理人可以实现其目标的潜在联盟是什么？由于可能性的数量可能相当大，如何使该过程自动化？然后，如何选择最合适的联盟，考虑到代理人的能力，以执行某些任务的不确定性？在这篇文章中，我们解决的问题，如何发现和评估联盟之间的代理在多智能体系统使用MCS工具，同时考虑到周围的代理的行动的不确定性。我们的方法如下：我们首先计算的解决方案空间的形成联盟使用上下文推理的方法。其次，我们的模型代理作为上下文的多上下文系统（MCS），和代理之间的依赖关系，寻求实现自己的目标，作为桥梁规则。第三，我们系统地计算所有潜在的联盟使用算法的MCS均衡，并给出了一组功能和非功能的要求，我们提出了选择最佳解决方案的方法。最后，为了处理代理的行动中的不确定性，我们扩展了我们的方法与可能性推理的功能。我们用一个机器人的例子来说明我们的方法。
2020-10-06 cs.AI cs.LO cs.MA
Tactical Diagrammatic Reasoning
尽管使用图表进行自动推理已经有几年的历史了，但用于图表推理的工具通常比它们的同类工具要复杂得多。探索水平的自动化和抽象的建设证明和提供解释的解决方案中表示的证明的任务仍然有待解决。本文采用了一个交互式的欧拉图证明助手Speedith，并在其推理引擎中加入了策略，使证明的构造具有一定的自动化程度。通过向Speedith的推理曲目中添加策略，我们简化了用户和系统之间的交互，并捕获了对证明本质的更高层次的解释。我们通过使用与人类可读性相关的指标来分析策略的设计选项，例如推理的数量和图中存在的混乱数量。因此，与一般情况下的证明策略相反，我们的策略不仅是为了证明定理，而且也是为了支持解释。
2017-01-25 cs.LO
Bialgebraic Reasoning on Higher-Order Program Equivalence
针对高阶程序上下文等价性推理需逐场景构建逻辑关系的问题，本文在高阶数学操作语义框架下提出步索引逻辑关系的通用构造，证明弱操作模型为松弛双代数时逻辑关系自动可靠，且可实例化到多种演算与等价性场景。
2024-05-16 cs.LO cs.PL
Contextual Refinement of Higher-Order Concurrent Probabilistic Programs (Extended Version)
Aarhus University（奥胡斯大学）；New York University（纽约大学）；Amazon Web Services（亚马逊云科技）
本文提出Foxtrot，首个用于证明高阶并发概率程序上下文细化的高阶分离逻辑，结合了并发推理原理与概率推理原理，展示了其在对抗性von Neumann硬币和Sodium加密库中的应用。
2026-04-27 cs.LO cs.PL
Hologram Reasoning for Solving Algebra Problems with Geometry Diagrams
Central China Normal University（华中师范大学）
本文提出全息图推理方案HGR，通过将带几何图形的代数问题转换为全息图并利用图模型池和深度强化学习求解，提高了求解精度和可解释性。
2024-08-20 cs.AI cs.CG cs.LO
TensorRocq: Enabling diagrammatic reasoning in Rocq
University of Chicago（芝加哥大学）；University of Oxford（牛津大学）
本文提出TensorRocq，通过在Rocq证明助手中将对称幺半范畴的语法表示与带接口的超图相互转换，并保持张量语义，实现了图解推理，从而弥合了形式化证明与纸笔证明之间的差距。
2026-05-22 cs.LO cs.PL
Fast Automated Reasoning over String Diagrams using Multiway Causal Structure
我们介绍了一个直观的算法方法，用于在一般的双推出（DPO）框架内执行自动重写字符串图，其中重写的顺序是根据底层图解演算的因果结构来选择的。重写结构和因果结构的组合可以被优雅地表述为一个弱2-范畴，配备了全部和部分monoidal双函子，从而为通用Wolfram模型超图重写系统的全多向进化因果图提供了范畴语义。作为一个说明性的例子，我们展示了这种算法的一个特殊情况下如何实现高效的自动化简化量子电路，如ZX演算所示。
2021-05-10 cs.DM cs.LO
Encoding !-tensors as !-graphs with neighbourhood orders
使用弦图的图解推理提供了一种直观的语言来推理对称monoidal范畴中的态射。为了允许使用无限系列的字符串图，！-图被引入作为一种方法来标记图中的重复结构。这导致了！图表正在实施的图表证明助手量子计算机。拥有一个部分自动化的程序来重写图表已经被证明是非常有用的，但是基于！图，只允许交换理论。一个丰富的抽象张量符号，称为！-张量，已经被用来形式化的概念！非交换结构中的盒子。这篇正在进行的论文提出了一种编码的方法！-张量为！-有一些额外结构的图。这将使我们能够利用Quantity的现有代码，并快速提供各种非交换图解推理工具。
2015-11-05 cs.LO
Quantomatic: A Proof Assistant for Diagrammatic Reasoning
Monoidal代数结构由可以具有多个输出以及多个输入的操作组成，其在许多领域中具有应用，包括范畴代数、程序设计语言语义、表示论、代数量子信息和量子群。字符串图提供了一种方便的图形语法，用于正式推理这种结构，同时避免了基于术语的方法的许多技术挑战。Quantification是一个工具，支持使用字符串图（半）自动构造等式证明。我们简要地概述了Quantity的重写引擎的理论基础，然后给出了一个概述的核心功能和架构，并给出了一个简单的例子项目，计算交换双代数的范式。
2015-10-13 cs.LO cs.MS math.CT
A first-order logic for string diagrams
用弦图进行方程推理提供了一种直观的方法来证明对称幺半范畴中态射之间的方程。这可以扩展到使用一个简单的图形语法来证明无限族的方程，称为！-方框符号虽然这确实大大增加了字符串图的证明能力，但以前超越等式推理的尝试在很大程度上是临时的，因为缺乏合适的逻辑框架来进行涉及！箱.在本文中，我们将等式推理扩展为！框到一个完全成熟的一阶逻辑，称为连接，含义和全称量化！-箱.这个逻辑，叫做！L，则足够丰富以适当地形式化归纳原理，箱.然后我们建立一个标准模型！并给出一个非交换双代数的定理的例子证明！L，这是无法通过等式推理单独获得的。
2015-05-02 cs.LO math.CT
Rewriting Context-free Families of String Diagrams
弦图提供了一个方便的图形框架，它可以用来对monoidal范畴的态射进行等式推理。然而，不像长期重写，重写字符串图的结果在较短的等式证明，因为字符串图形表示允许我们正式建立等式模任何重写步骤，遵循从monoidal结构。手工操作字符串图是一个耗时且容易出错的过程，特别是对于大型字符串图。这可以通过使用软件证明助手来改善，例如Quantify。然而，对具体的弦图的推理可能是有限的，在某些情况下，有必要对整个（无限）弦图家族进行推理。在这样做的时候，我们面临着与操作具体的弦图相同的问题，但除此之外，如果我们对表示（无限）弦图族的方式不够精确，我们就有可能犯更多的错误。本论文的主要目标是设计一个数学框架，用于无穷族弦图的方程推理，该框架适合于计算机自动化。我们将使用上下文无关的字符串图族，并使用上下文无关的图语法来表示它们。我们将使用上下文无关文法之间的重写规则来模拟无限图族之间的方程。我们的框架表示等式推理的具体字符串图和上下文无关的家庭字符串图，分别使用双推出重写图和上下文无关的图形语法。我们将证明，我们的表示是健全的，它尊重字符串图解推理的具体语义，我们将证明我们的框架是适当的软件实现，通过证明重要的可判定性。
2017-05-21 cs.FL cs.LO quant-ph
Equational reasoning with context-free families of string diagrams
字符串图提供了一种直观的语言，以图形方式表达相互作用的进程网络。弦图的离散表示，称为弦图，允许通过双推出重写进行机械化等式推理。然而，人们往往希望表达的不仅仅是单个方程，而是任意大小的图之间的整个方程族。为了做到这一点，我们定义了一类上下文无关文法，称为B-ESG文法，它适用于定义整个系列的字符串图，至关重要的是，字符串图重写规则。我们表明，这些语法的语言成员资格和匹配枚举问题是可判定的，因此，有一个算法重写字符串图根据B-ESG重写模式。我们还表明，它是可能的原因，在语法的水平，通过提供一个简单的方法，转换语法的字符串图重写，并显示受理的诱导B-ESG重写模式。
2015-10-13 cs.FL cs.LO math.CT
Conditional Contextual Refinement (CCR)
上下文精化（CR）是指定开放程序的标准概念之一。CR有两个主要优点：（i）（水平和垂直）组合性，其允许我们将大的上下文细化分解成许多较小的细化，从而实现模块化和增量验证，以及（ii）对编程特征没有限制，从而允许，例如，相互递归、指针值传递和高阶函数。然而，CR有一个缺点，它不能对上下文施加条件，因为它量化了所有上下文，这确实在支持完整的组合性和编程特性方面发挥了关键作用。在本文中，我们解决的问题，找到一个概念的细化，满足所有三个要求：支持完整的组合性，完整的（顺序）编程功能，并在上下文丰富的条件。作为一种解决方案，我们提出了一种新的细化理论，称为CCR（条件上下文细化），并开发了一个验证框架的基础上，它允许我们模块化和增量验证一个具体的模块对一个抽象的模块分离逻辑风格的前和后条件下的外部模块。它在Coq中完全形式化，并提供了一种证明模式，该模式结合了（i）关于保留IO事件和终止等副作用的模拟推理和（ii）关于前置和后置条件的命题推理。此外，验证结果与CompCert相结合，使我们正式建立从顶级抽象程序的行为细化，一直到他们的汇编代码。
2022-03-14 cs.LO cs.PL
