Logic Diffusion for Knowledge Graph Reasoning
Xi’an Jiaotong University（西安交通大学）
针对知识图谱推理模型对未见逻辑泛化不足的问题，本文提出插件模块 LoD，通过关系扩散、随机游走采样、梯度自适应和新损失增强鲁棒性，并在四个数据集上验证其性能提升。
2023-06-06 cs.AI cs.LG cs.LO
LogicGraph : Benchmarking Multi-Path Logical Reasoning via Neuro-Symbolic Generation and Verification
School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院）；Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）；School of Computer Science and Technology, Tiangong University（天津大学计算机科学与技术学院）；Ministry of Education Key Laboratory of Intelligent Networks and Network Security, China（中国教育部长智网络与网络安全重点实验室）；Shaanxi Province Key Laboratory of Big Data Knowledge Engineering, China（陕西省大数据知识工程重点实验室）
LogicGraph通过神经符号生成与验证方法，系统评估多路径逻辑推理能力，揭示模型在复杂推理中探索多样路径的不足。
2026-02-24 cs.AI
The RatioLog Project: Rational Extensions of Logical Reasoning
Universität Koblenz-Landau（科布伦茨-兰道大学）；Harz University of Applied Sciences（哈尔茨应用技术大学）
高级认知包括逻辑推理和用常识回答问答的能力。RatioLog项目通过自动推理和认知计算的方法解决了深度问答中的理性推理问题。在第一阶段，我们结合了信息检索和机器学习的技术，从德语版的自由百科全书“维基百科”中的大量文本中找到合适的答案候选人。在第二阶段中，自动定理证明器尝试基于其逻辑表示来验证答案候选者。在第三阶段-因为知识可能是不完整和不一致的-我们考虑扩展逻辑推理，以改善结果。在这种情况下，我们的工作对人类推理技术的应用：我们采用可废止的推理比较的答案w.r.t.具体性，道义逻辑，规范推理和模型构建。此外，我们使用集成的基于案例的推理和机器学习技术的基础上的语义结构的问题和答案的候选人学习给出正确的答案。
2015-07-30 cs.AI
Knowledge Graph Reasoning with Logics and Embeddings: Survey and Perspective
Zhejiang University（浙江大学）；University of Oxford（牛津大学）；The University of Edinburgh（爱丁堡大学）；Alibaba-Zhejiang University Joint Research Institute of Frontier Technologies（阿里巴巴-浙江大学前沿技术联合研究院）；Hangzhou Innovation Center, Zhejiang University（浙江大学杭州国际科创中心）
知识图谱（KG）推理在学术界和工业界都变得越来越流行。传统的基于符号逻辑的KG推理是确定性的，推理结果是可解释的，而现代的基于嵌入的推理可以处理不确定性和预测似然知识，通常通过向量计算具有高效率。一个很有前途的方向是将基于逻辑和基于嵌入的方法结合起来，并具有两者的优点。近年来，随着越来越多的研究成果的发表，它引起了人们的广泛关注。在本文中，我们全面调查这些工作，重点是如何逻辑和嵌入集成。本文首先简要介绍了KG推理的基本概念，然后从不同的角度对逻辑和嵌入意识KG推理的研究成果进行了系统的分类和讨论，最后总结和讨论了KG推理面临的挑战和进一步的发展方向。
2022-02-15 cs.AI
Defeasible reasoning in Description Logics: an overview on DL^N
Università di Napoli Federico II（那不勒斯费德里科二世大学）
DL^N是最近的一种方法，它扩展了描述逻辑的可废止推理能力。在本文中，我们提供了一个概述DL^N，说明了潜在的知识工程的要求，以及保护DL^N从一些经常性的语义和计算缺陷的特征。我们还比较了DL^N与其他一些非单调语义，启发了KLM假设与DL^N之间的关系。
2020-09-17 cs.AI
Reasoning within Fuzzy Description Logics
I.E.I - C.N.R.（国家研究委员会信息工程研究所）
描述逻辑（DL）是用于管理结构化知识的合适的、众所周知的逻辑。它们允许对个人和定义明确的概念进行推理，即，具有共同属性的个体集合。在应用程序中使用DL的经验表明，在许多情况下，我们希望扩展其功能。特别是，它们的使用在多媒体信息检索（MIR）的上下文中导致令人信服的是，这样的DL应该允许在多媒体对象内容表示和检索的固有的不精确性的治疗。本文将Zadeh的模糊逻辑与经典的DL相结合，提出一种模糊扩展的ALC。特别是，概念变得模糊，因此，支持不精确概念的推理。我们将定义它的语法，它的语义，描述它的属性，并提出了一个约束传播演算推理。
2011-06-03 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
Differentiable Learning of Logical Rules for Knowledge Base Reasoning
Carnegie Mellon University（卡内基梅隆大学）
研究了知识库推理中概率一阶逻辑规则的学习问题。这个学习问题是困难的，因为它需要学习连续空间中的参数以及离散空间中的结构。我们提出了一个框架，神经逻辑编程，它结合了一阶逻辑规则的参数和结构学习在一个端到端的可微模型。这种方法的灵感来自于最近开发的可微逻辑TensorLog，其中推理任务可以编译成可微操作序列。我们设计了一个神经控制器系统，学习组成这些操作。从经验上讲，我们的方法在多个知识库基准数据集（包括Freebase和WikiMovies）上的性能优于先前的工作。
2017-11-27 cs.AI
Integrating Logical and Probabilistic Reasoning for Decision Making
Rockwell International Science Center（罗克韦尔国际科学中心）；Stanford University（斯坦福大学）
我们描述了一种表示和一组推理方法，结合逻辑编程技术与概率网络表示的不确定性（影响图）。该技术强调复杂和不确定领域的概率和决策理论模型的动态构建和解决方案。给定一个查询，如果可能的话，会产生一个逻辑证明;如果不可能，会产生一个基于查询和决策域知识的影响图，并随后求解。一个统一的声明，一阶，知识表示相结合的逻辑，概率和决策理论推理的综合推理过程。
2013-03-27 cs.AI
Ontology Reasoning with Deep Neural Networks
University of Oxford（牛津大学）
进行逻辑推理的能力是智能人类行为的一个基本方面，因此也是通往人类水平的人工智能的一个重要问题。传统上，从知识表示和推理领域的逻辑为基础的符号方法已被用来装备代理的能力，类似于人类的逻辑推理素质。然而，最近，人们对使用机器学习而不是基于逻辑的符号形式主义来解决这些任务的兴趣越来越大。在本文中，我们采用最先进的方法来训练深度神经网络，以设计一种新的模型，该模型能够学习如何以基本本体推理的形式有效地执行逻辑推理。这是一个重要的，同时也是非常自然的逻辑推理任务，这就是为什么所提出的方法适用于大量重要的现实问题。我们提出了几个实验的结果，这表明我们的模型能够学习执行非常大的，多样的，具有挑战性的基准高度准确的本体推理。此外，事实证明，所提出的方法受到禁止基于逻辑的符号推理的各种障碍的影响要小得多，同时，从生物学的角度来看，令人惊讶地似乎是合理的。
2021-01-08 cs.AI
Towards Statistical Reasoning in Description Logics over Finite Domains (Full Version)
Free University of Bozen-Bolzano（博尔扎诺-博岑自由大学）；University of Osnabrück（奥斯纳布吕克大学）
我们提出了一个概率扩展的描述逻辑$\mathcal{ALC}$的统计知识的推理。我们认为条件语句的域的比例，这些比例的概率逻辑后果感兴趣。在介绍了一些一般的推理问题并分析了它们的性质之后，我们首先给出了在统计$\mathcal{ALC}$的某些片断上的推理算法和复杂性结果。
2017-06-10 cs.AI cs.LO
Reasoning with Individuals for the Description Logic SHIQ
虽然已经有大量的工作，推理算法的发展表达描述逻辑，在大多数情况下，只有Tbox推理被认为是。本文提出了一种在SHIQ描述逻辑中进行Tbox和Abox组合推理的算法。该算法特别令人感兴趣，因为它可用于决定（数据库）合取查询包含w.r. t的问题一种模式。此外，高效实现的实现应该相对简单，因为它可以基于FaCT系统中Tbox算法的现有高度优化的实现。
2000-05-11 cs.AI cs.LO
LPAR-05 Workshop: Empirically Successfull Automated Reasoning in Higher-Order Logic (ESHOL)
这个研讨会汇集了实践者和研究人员谁是参与基于高阶逻辑的逻辑系统的日常方面。我们希望为围绕以下四个主题的讨论创造一个友好和高度互动的环境。实现和开发基于任何不可预测性概念的证明助手，高阶逻辑推理系统的自动定理证明工具，高阶逻辑中证明表示的逻辑框架技术，用于存储，维护和查询证明数据库的正式数字图书馆。我们设想与会者有兴趣促进高阶逻辑推理系统的发展和可见性。我们特别感兴趣的是讨论高阶版本的TPTP的发展和自动化高阶推理系统的实用优势的比较。此外，研讨会还包括系统演示。ESHOL是在CADE 2005和IJCAR 2004举办的ESCAR和ESFOR研讨会的继承者。
2006-01-10 cs.AI cs.LO
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
SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers
Shanghai JiaoTong University（上海交通大学）
该研究针对大型语言模型逻辑推理的缺陷，提出结合逻辑知识图谱与动态求解器路由的神经-符号架构，在基准任务上优于现有方法，实现了可验证的高准确率逻辑推理。
2026-08-28 cs.AI cs.CL
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
DeepLogic: Towards End-to-End Differentiable Logical Reasoning
Imperial College London（帝国理工学院）
将机器学习与基于逻辑的专家系统相结合，以获得两个世界的最佳效果，正变得越来越流行。然而，机器学习在多大程度上可以学习基于规则的知识进行推理仍然是一个悬而未决的问题。在本文中，我们将探讨如何符号逻辑，定义为逻辑程序在字符级别，学习表示在一个高维向量空间使用基于RNN的迭代神经网络进行推理。我们创建了一个新的数据集，定义了12类逻辑程序，举例说明增加了逻辑推理的复杂性，并以端到端的方式对网络进行训练，以了解逻辑程序是否需要给定的查询。我们分析了如何学习推理算法产生的原子，文字和规则的表示在逻辑程序和评估对增加长度的谓词和常量符号，以及增加多跳推理的步骤。
2019-03-07 cs.AI cs.LO cs.NE
Many Logics, One Methodology: A Plea for Logical Pluralism in Formalised Reasoning (preprint)
University of Luxembourg（卢森堡大学）
本文基于LogiKEy逻辑多元知识表示与推理方法论，主张在统一元逻辑框架内支持对象逻辑层面的逻辑多元主义，并警告逻辑帝国主义对跨学科复用的阻碍。
2026-05-26 cs.AI cs.LO math.LO
Probabilistic Reasoning in the Description Logic ALCP with the Principle of Maximum Entropy (Full Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Osnabrück（奥斯纳布吕克大学）
知识表示的核心问题是如何对不确定性知识进行合理的编码和处理。我们介绍的概率描述逻辑ALCP，是专为表示上下文相关的知识，其中发生的实际情况是不确定的。ALCP允许对域的逻辑依赖和对可能上下文的概率依赖的表达。为了得出概率结论，我们采用最大熵原理。我们提供了推理算法，这种逻辑，并表明它满足概率逻辑的几个理想的属性。
2016-06-30 cs.AI cs.LO
Logic-Parametric Neuro-Symbolic NLI: Controlling Logical Formalisms for Verifiable LLM Reasoning
University of Luxemburg（卢森堡大学）；University of Sheffield（谢菲尔德大学）
本文提出逻辑参数化框架，通过可控逻辑形式提升神经符号推理的鲁棒性与适应性，实验表明内部逻辑策略在不同领域具有更优表现。
2026-01-09 cs.AI cs.CL cs.LO
ChaosBench-Logic: A Benchmark for Logical and Symbolic Reasoning on Chaotic Dynamical Systems
Noel Thomas
ChaosBench-Logic通过30种混沌动力系统评估LLM逻辑和符号推理能力，揭示其在复杂推理任务中的局限性。
2026-10-16 cs.AI cs.IT math.IT
A Framework for Reasoning on Probabilistic Description Logics
University of Parma（帕尔马大学）；University of Ferrara（费拉拉大学）
虽然描述逻辑有几种推理机，但很少有能处理不确定性的。BUNDLE是一个推理框架，它可以利用几个OWL（非概率）推理机来执行概率描述逻辑的推理。在本章中，我们报告了BUNDLE中实现的最新进展。特别是，BUNDLE现在可以与TRILL系统的推理机接口，从而提供了一种统一的方法来使用不同的设置执行概率查询。BUNDLE可以很容易地扩展，既可以用作独立的桌面应用程序，也可以用作基于OWL API的应用程序中的库，这些应用程序需要对概率描述逻辑进行推理。推理性能很大程度上取决于推理机和计算概率的方法。我们提供了几个数据集上的不同推理设置的比较。
2020-10-02 cs.AI cs.LO
Characterising equilibrium logic and nested logic programs: Reductions and complexity
Universidad Politécnica de Madrid（马德里理工大学）；Technische Universität Wien（维也纳技术大学）
平衡逻辑是一种非单调推理的方法，它扩展了逻辑程序的稳定模型和答案集语义。特别是，它包括嵌套逻辑程序的一般情况下，任意布尔组合是允许在头部和身体的规则，作为特殊类型的理论。在本文中，我们提出了多项式减少的主要推理任务与平衡逻辑和嵌套的逻辑程序到量化命题逻辑，扩展经典命题逻辑的原子公式的量化是允许的。我们不仅为决策问题提供约简，而且为平衡逻辑和嵌套逻辑程序的中心语义概念提供约简。特别是，我们的编码映射一个给定的决策问题到一些公式，后者是有效的，正是在前者举行。我们在这里处理的基本任务是一致性问题，勇敢推理和怀疑推理。此外，我们还提供了编码测试等价的理论或程序下的不同概念的等价性，即普通，强，一致等价。对于所有考虑的推理任务，我们分析了它们的计算复杂性，并给出了严格的复杂性界限。
2009-06-13 cs.AI cs.LO
Integrating Reasoning Systems for Trustworthy AI, Proceedings of the 4th Workshop on Logic and Practice of Programming (LPOP)
第4届编程逻辑与实践研讨会聚焦于可信人工智能的推理系统集成，将与第40届国际逻辑编程会议联合于2024年10月13日在美国达拉斯以混合形式举行，重点是集成不同编程模型与规则和约束。
2026-07-27 cs.AI cs.LO cs.PL
Reasoning-as-Logic-Units: Scaling Test-Time Reasoning in Large Language Models Through Logic Unit Alignment
Peking University（北京大学）
针对思维链提示的数值计算缺陷及程序辅助技术的“推理幻觉”问题，提出推理即逻辑单元（RaLU）框架，通过逻辑单元对齐构建可靠推理路径，在多推理任务中显著优于基线，提升大语言模型推理准确性与可解释性。
2025-02-05 cs.AI cs.LG
DivLogicEval: A Framework for Benchmarking Logical Reasoning Evaluation in Large Language Models
The Hong Kong University of Science and Technology（香港科技大学）；Fudan University（复旦大学）；WeChat AI, Tencent（腾讯微信AI）
本文提出DivLogicEval基准，以反直觉自然句子评估LLM逻辑推理，并引入新指标减少偏差，实验比较了多种流行LLM的性能。
2025-09-26 cs.AI cs.CL cs.LG
Towards Unifying Perceptual Reasoning and Logical Reasoning
Cardiff University（卡迪夫大学）
本文提出一个统一感知推理与逻辑推理的概率模型，通过逻辑后果关系表征，实现两种推理过程的统一。
2026-02-23 cs.AI
Disentangling Logic: The Role of Context in Large Language Model Reasoning Capabilities
Rutgers University（罗格斯大学）；Microsoft（微软公司）；University of Michigan（密歇根大学）；The University of Liverpool（利物浦大学）
本研究通过对比抽象与上下文化逻辑问题，系统解耦纯逻辑推理与文本理解，探究LLMs在保持逻辑结构不变时的真正推理能力及微调泛化潜力，并构建了包含4个难度级别、12个领域的命题推理数据集。
2024-06-04 cs.AI cs.CL cs.LG
Workshop Notes of the 6th International Workshop on Acquisition, Representation and Reasoning about Context with Logic (ARCOE-Logic 2014)
2014年11月25日，第六届逻辑语境获取、表示和推理国际研讨会（ARCOE-Logic 2014）与第19届知识工程和知识管理国际会议（EKAW 2014）在瑞典林雪平举行。这些说明载有讲习班上接受和提出的五份文件。
2014-12-30 cs.AI
An Analysis of General Fuzzy Logic and Fuzzy Reasoning Method
Kim Il Sung University（金日成综合大学）；Kim Chaek University of Technology（金策工业综合大学）
本文首先介绍了作为智能信息处理方法之一的模糊推理的基础的模糊逻辑、模糊语言和算法，然后介绍了一般的模糊推理方法。
2016-04-07 cs.AI
Universal Reasoning, Rational Argumentation and Human-Machine Interaction
University of Luxemburg（卢森堡大学）；Freie Universität Berlin（柏林自由大学）
经典高阶逻辑，当被用作元逻辑时，其中各种其他（经典和非经典）逻辑可以被浅嵌入，非常适合于实现通用逻辑推理方法。反过来，正如莱布尼茨所设想的那样，普遍逻辑推理可能支持机器内理性论证的严格形式化和深入逻辑分析。描述了相应的通用逻辑推理框架，并讨论了一系列示例性应用。在未来，通用逻辑推理与适当的、受控形式的理性论证相结合，可能会成为人类和智能机器之间的沟通层。
2017-03-28 cs.AI
LogicTree: Structured Proof Exploration for Coherent and Rigorous Logical Reasoning with Large Language Models
Electrical and Computer Engineering, Purdue University（电子与计算机工程系，普渡大学）
提出推理时框架LogicTree，通过算法引导的结构化证明探索、缓存机制与线性前提搜索，提升LLMs的逻辑连贯性，在五个数据集上超越CoT和ToT。
2025-09-15 cs.AI cs.CL cs.LG
Logic Tensor Networks: Deep Learning and Logical Reasoning from Data and Knowledge
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；City University London（伦敦城市大学）
我们提出了逻辑张量网络：一个统一的框架，集成自动学习和推理。一个逻辑形式主义称为真正的逻辑是定义在一阶语言，其中公式的真值在区间[0，1]和语义定义具体的实数域。逻辑常数被解释为实数的特征向量。Real Logic促进了基于知识库的演绎推理和高效的数据驱动关系机器学习的良好集成。我们展示了如何使用Google的tensorflow原语在深度张量神经网络中实现Real Logic。最后，本文将逻辑张量网络应用于一个简单但具有代表性的知识完成示例。
2016-07-07 cs.AI cs.LG cs.LO
Enhancing Reasoning Capabilities of LLMs via Principled Synthetic Logic Corpus
Advanced AI Innovation Center, Hitachi（日立高级人工智能创新中心）；The University of Sheffield（谢菲尔德大学）
针对LLM推理能力不足的问题，本文提出附加逻辑训练（ALT）方法，并基于符号逻辑理论构建了高质量多步演绎合成语料库FLD×2。实验表明，该方法显著提升了LLaMA-3.1-70B等先进模型在逻辑、数学、编程及BBH基准上的表现。
2024-12-23 cs.AI cs.LG cs.LO
LGMT: Logic-Grounded Metamorphic Testing for Evaluating the Reasoning Reliability of LLMs
School of Automation Science and Electrical Engineering, Beihang University（自动化科学与电气工程学院，北京航空航天大学）
提出LGMT框架，利用一阶逻辑推导蜕变关系，通过一致性检查评估LLM推理的鲁棒性，揭示传统评估忽略的隐藏缺陷。
2026-07-03 cs.AI cs.LG cs.SE
A Logic for Reasoning about Evidence
Cornell University（康奈尔大学）
我们引入了一个逻辑推理的证据，基本上认为证据作为一个功能，从以前的信念（观察前）后的信念（观察后）。我们提供了一个健全的和完整的公理化的逻辑，并考虑到决策问题的复杂性。虽然逻辑中的推理主要是命题，但我们允许变量表示数字和量化。这种表达能力似乎是捕捉证据的重要属性所必需的
2014-07-27 cs.AI
Applications of fuzzy logic to Case-Based Reasoning
College of Letters and Sciences, National University（美国国立大学文理学院）；Graduate Technological Educational Institute（希腊帕特拉斯技术教育学院）
本文讨论了模糊逻辑思想在基于实例推理（CBR）过程的形式化和CBR系统有效性度量中的一些应用
2012-04-10 cs.AI
Probabilistic Logic Neural Networks for Reasoning
Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；University of Montréal（蒙特利尔大学）；HEC Montréal（蒙特利尔高等商学院）
知识图谱推理的目的是通过对观察到的事实进行推理来预测缺失的事实，它在许多应用中起着关键作用。传统的基于逻辑规则的方法和最近的知识图谱嵌入方法已经对这一问题进行了广泛的研究。基于规则的原则性逻辑方法是马尔可夫逻辑网络（MLN），它能够利用一阶逻辑的领域知识，同时处理它们的不确定性。然而，MLN的推理通常是非常困难的，由于复杂的图结构。与MLN不同的是，知识图谱嵌入方法（例如，TransE、DistMult）学习有效的实体和关系嵌入以用于推理，这是更有效和高效的。然而，他们无法利用领域知识。在本文中，我们提出了概率逻辑神经网络（pLogicNet），它结合了这两种方法的优点。pLogicNet通过使用具有一阶逻辑的马尔可夫逻辑网络来定义所有可能的三元组的联合分布，可以使用变分EM算法来有效地优化。在E-步骤中，一个知识图谱嵌入模型用于推断丢失的三元组，而在M-步骤中，逻辑规则的权重更新的基础上观察和预测三元组。在多个知识图谱上的实验证明了pLogicNet在许多竞争基线上的有效性。
2019-10-29 cs.AI cs.LG stat.ML
Sequential Recommendation with Probabilistic Logical Reasoning
Soochow University（苏州大学）；Macquarie University（麦考瑞大学）；Texas Tech University（德克萨斯理工大学）；Suzhou Vocational University（苏州市职业大学）
针对神经符号序列推荐中的逻辑表示难题，提出SR-PLR框架，解耦特征与逻辑嵌入，结合概率逻辑推理，提升推荐性能。
2023-05-15 cs.AI
An Extensible Logic Embedding Tool for Lightweight Non-Classical Reasoning
University of Greifswald（格赖夫斯瓦尔德大学）
逻辑嵌入工具为非经典推理问题到经典高阶逻辑提供了一个过程编码。它是可扩展的，可以支持越来越多的不同的非经典逻辑推理的目标。当用作高阶定理证明器的预处理器或库时，该工具允许逻辑的现成自动化，否则目前很少有证明器可用。
2022-03-23 cs.AI cs.LO
A Reasoning System for a First-Order Logic of Limited Belief
The University of New South Wales（新南威尔士大学）
有限信念逻辑的目标是在高度表达的表示语言中实现计算上可行的推理。这些语言通常是一阶逻辑的方言，具有较弱形式的逻辑蕴涵，使推理可判定甚至可处理。虽然过去已经提出了一些这样的逻辑，但它们往往只用于理论分析，其实际意义非常有限。在本文中，我们的目标是超越理论。在刘，Lakemeyer和Levesque早期工作的基础上，我们开发了一种具有高度表达性的有限信念逻辑，同时在一阶和易处理的命题情况下保持可判定性，并表现出一些特性，使其对实现具有吸引力。我们介绍了一个推理系统，采用这种逻辑作为表示语言，并展示了有限的信念的好处，目前的实验结果。
2017-05-04 cs.AI
Discourse-Aware Graph Networks for Textual Logical Reasoning
Sun Yat-sen University（中山大学）；Tencent AI Lab（腾讯人工智能实验室）；Huawei（华为）；University of Liverpool（利物浦大学）
本文提出语篇感知图网络DAGNs，通过构建逻辑图并端到端演化逻辑关系来增强文本逻辑推理问答能力，实验验证了其有效性和泛化性。
2023-04-19 cs.AI cs.CL
Analytic Tableaux Calculi for KLM Logics of Nonmonotonic Reasoning
我们提出了一些逻辑的非单调推理，由克劳斯，莱曼和Magidor定义的表演算。我们给出了所有KLM逻辑，即优先，循环累积，累积和理性逻辑的一个Tableau证明过程。我们的演算是通过引入合适的模态来解释条件断言而获得的。我们提供了一个决策程序的逻辑考虑，我们研究它们的复杂性。
2006-11-10 cs.AI cs.LO
LOGicalThought: Logic-Based Ontological Grounding of LLMs for High-Assurance Reasoning
针对关键领域高可信推理需求，提出神经符号架构LOGicalThought，结合逻辑语言、推理器与大语言模型构建双重上下文，将长文本推理转化为紧凑评估，在多基准上显著提升三类逻辑推理性能。
2025-10-02 cs.AI
Learning Deductive Reasoning from Synthetic Corpus based on Formal Logic
Hitachi, Ltd. Research and Development Group（日立制作所研发集团）
本文提出基于形式逻辑的合成语料FLD，训练语言模型获得可泛化的演绎推理能力，并验证其有效性，同时作为基准揭示LLM纯逻辑推理的挑战。
2023-11-14 cs.AI cs.CL cs.LG
Automated Reasoning in Deontic Logic
Universität Koblenz-Landau（科布伦茨-兰道大学）；Harz University of Applied Sciences（哈尔茨应用科学大学）
道义逻辑是数理逻辑和哲学的一个分支。各种道义逻辑讨论了不同的应用领域，如论证理论，法律推理，并在多智能体系统的行为。在本文中，我们将展示如何标准道义逻辑可以逐步转化为描述逻辑和DL-条款，使它可以处理的超，一个高性能的定理证明，它使用超表演算。两个用例，一个来自多智能体研究，一个来自规范系统的开发进行了研究。
2014-11-18 cs.AI
Enhancing Logical Reasoning in Large Language Models to Facilitate Legal Applications
National Institute of Informatics（信息学研究所）
本文提出逻辑反馈强化学习（RLLF）方法以提升LLMs的逻辑推理能力，从而扩展其在法律等逻辑密集型学科中的应用，并探索该领域研究的新途径。
2023-11-22 cs.AI cs.CL
Enhancing Zero-Shot Chain-of-Thought Reasoning in Large Language Models through Logic
University of Hamburg（汉堡大学）
本文提出 LoT 框架，利用符号逻辑中的反证法逐步验证和纠正推理过程，显著提升了大型语言模型在多领域的零样本思维链推理能力。
2024-03-26 cs.AI cs.CL cs.LG
Quantitative Logic Reasoning
University of São Paulo（圣保罗大学）
在本文中，我们展示了同时处理演绎和定量推理的逻辑系统之间的几个相似之处。我们认为把这些系统执行的任务称为定量逻辑推理是合适的。类似的性质保持整个类，其成员存在一套线性代数技术适用于研究可满足性决策问题。在这个演示中，我们认为定量逻辑推理的任务所执行的命题概率逻辑;一阶逻辑计数量词的一个片段包含一元和有限的二元谓词;和命题Lukasiewicz无限值概率逻辑
2019-05-14 cs.AI cs.LO
LogicTrack: Auditing Reasoning Trajectories of Large Language Models with Formal Logic Solvers
University of Bristol（布里斯托大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
LogicTrack通过自动形式化推理步骤并用定理证明器验证，引入逐步回溯奖励，提升LLM推理链的逻辑可验证性与最终答案通过率。
2026-09-21 cs.AI cs.LO cs.SC
Reasoning about Agent Programs using ATL-like Logics
RMIT University（皇家墨尔本理工大学）
我们提出了一个变体的交替时间时序逻辑（ATL）接地代理的操作诀窍，定义由他们的图书馆的抽象计划。受ATLES的启发，ATL本身的一个变体，在我们的逻辑中可以明确地引用“理性”策略，用于在信念-欲望-意图代理编程范式下开发的代理。这使我们能够使用ATL类型的逻辑框架来表达和验证BDI系统的属性。
2012-07-17 cs.AI
Neural Logic Reasoning
Tsinghua University（清华大学）；Rutgers University（罗格斯大学）
近年来，深度神经网络在许多研究领域取得了成功。大多数神经网络设计背后的基本思想是从数据中学习相似模式进行预测和推理，缺乏认知推理的能力。然而，具体的推理能力对许多理论和实践问题至关重要。另一方面，传统的符号推理方法虽然能够很好地进行逻辑推理，但大多是基于硬规则的推理，由于不同的任务可能需要不同的规则，这限制了它们对不同任务的泛化能力。推理和泛化能力对于推荐系统等预测任务都很重要，其中推理在用户历史和目标项目之间提供了强有力的联系，以进行准确的预测，泛化有助于模型在嘈杂的输入中绘制鲁棒的用户画像。在本文中，我们提出了逻辑集成神经网络（LINN），以整合深度学习和逻辑推理的能力。LINN是一个动态的神经架构，它根据输入的逻辑表达式构建计算图。它学习基本的逻辑运算，如AND，OR，NOT作为神经模块，并通过网络进行命题逻辑推理进行推理。理论任务的实验表明，LINN在求解逻辑方程和变量方面取得了显著的成绩。此外，我们测试我们的方法的实际任务的建议制定成一个逻辑推理问题的任务。实验结果表明，LINN在Top-K推荐中的性能明显优于现有推荐模型，验证了LINN在实际应用中的潜力。
2020-08-20 cs.AI cs.IR cs.LG
A Logic for Reasoning about Evidence
我们引入了一个逻辑推理的证据，基本上认为证据作为一个功能，从先前的信念（前观察）后的信念（后观察）。我们提供了一个健全的和完整的公理化的逻辑，并考虑到决策问题的复杂性。虽然逻辑中的推理主要是命题，但我们允许变量表示数字和量化。这种表达能力对于捕捉证据的重要属性似乎是必要的。
2006-08-03 cs.AI cs.LO
Quantum Look at two Common Logics: the Logic of Primitive Thinking and the Logic of Everyday Human Reasoning
B. Verkin Institute for Low Temperature Physics and Engineering of the National Academy of Sciences of Ukraine（乌克兰国家科学院B·维尔金低温物理与工程研究所）
基于开放系统量子理论和心理对偶系统理论的思想，我们提出了两种新的非布尔逻辑。我们认为，第一个版本可以被解释为对原始（神话）思维的简化描述，第二个版本可以被解释为日常人类推理的玩具模型，其中除了逻辑演绎之外，启发式元素和信念也发挥了相当大的作用。文中还列举了支持这些解释的几个论点并进行了讨论。
2015-09-16 cs.AI math.LO q-bio.NC
