Markov Logic Networks for Natural Language Question Answering
我们的目标是使用从科学教科书中自动提取的知识来回答初级科学问题，这些知识以一阶逻辑的子集表示。考虑到这些自动提取的规则的不完整性和噪声性，马尔可夫逻辑网络（MLN）似乎是一个自然的模型，但利用MLN的确切方法并不明显。我们研究了三种方法应用MLN到我们的任务。在第一种方法中，我们简单地使用提取的科学规则直接作为MLN子句。与典型的MLN应用程序不同，我们的域具有漫长而复杂的规则，导致无法管理的接地数量。我们利用硬约束中存在的结构来提高易处理性，但该公式仍然无效。在第二种方法中，我们将科学规则解释为描述原型实体，从而将规则直接映射到接地MLN断言，然后使用现有的实体解析方法对其常量进行聚类。这大大简化了网络，但仍然存在脆性。最后，我们的第三种方法，称为Praline，使用MLN来对齐词汇元素，并定义和控制在此任务中应如何执行推理。我们的实验，展示了15\%的准确率提升和10倍的运行时间减少，表明Praline的灵活性和不同的推理语义是一个更好的适合自然语言问答任务。
2015-07-10 cs.AI cs.CL
A Generate-Validate Approach to Answering Questions about Qualitative Relationships
Arizona State University（亚利桑那州立大学）
定性关系描述了增加或减少一个属性（例如海拔）如何影响另一个属性（例如温度）。它们是自然语言问答的一个重要方面，对于构建聊天机器人或语音代理至关重要，人们可以询问定性关系。最近已经提出了一个关于涉及定性关系的问答的数据集，并且已经探索了一些回答此类问题的方法，其核心在于将自然语言输入转换为合适的逻辑形式的语义解析器。现有语义解析器的问题在于，它们试图直接将输入句子转换为逻辑形式。由于输出语言随每个应用程序而变化，因此它迫使语义解析器从头开始学习几乎所有内容。在本文中，我们表明，而不是使用语义解析器来产生逻辑形式，如果我们应用生成验证框架，即生成逻辑形式的自然语言描述，并验证自然语言描述是否遵循输入文本，我们得到了更好的范围迁移学习，我们的方法优于最先进的7.93%的大幅度。
2019-08-09 cs.AI cs.CL
Answering Image Riddles using Vision and Reasoning through Probabilistic Soft Logic
Arizona State University（亚利桑那州立大学）；University of Maryland, College Park（马里兰大学学院市分校）
在这项工作中，我们探讨了一种类型的难题（“图像谜语”），其中涉及一组图像和一个问题。解决这些难题需要视觉检测（包括物体、活动识别）和基于知识或常识推理的能力。我们编译了一个超过3k个谜语的数据集，每个谜语由4个图像和一个地面真相答案组成。使用众包评价验证注释。我们还定义了一个自动评估指标来跟踪未来的进展。我们的任务与通常用于测试智力的常见智商任务，如类比解决，序列填充具有相似性。我们开发了一种基于概率推理的方法，利用概率常识知识来回答这些谜语具有合理的准确性。我们展示了我们的方法使用自动和人工评估的结果。我们的方法取得了一些有希望的结果，这些谜语，并为未来的尝试提供了一个强有力的基线。我们在ImageRiddle网站（http：//bit.ly/22f9Ala）上向社区公开了整个数据集和相关材料。
2016-11-17 cs.AI cs.CV
FlowVQA: Mapping Multimodal Logic in Visual Question Answering with Flowcharts
Mercer Mettl（默瑟梅特尔）；IGDTUW（英迪拉·甘地德里技术大学（女子））；Google Research（谷歌研究院）；Indian Institute of Technology Guwahati（古瓦哈蒂印度理工学院）；University of Pennsylvania（宾夕法尼亚大学）
FlowVQA提出一个包含2,272张流程图和22,413个问答对的视觉问答基准，用于评估多模态语言模型在信息定位、决策和逻辑推理上的能力，并通过基线实验验证其价值。
2024-06-28 cs.CL cs.CV cs.IR
DecAF: Joint Decoding of Answers and Logical Forms for Question Answering over Knowledge Bases
Carnegie Mellon University（卡内基梅隆大学）；AWS AI Labs（亚马逊云科技人工智能实验室）
本文提出 DecAF 框架，通过联合生成逻辑形式和直接答案并结合二者优点，同时采用无需实体链接的自由文本检索，在多个知识库问答基准上取得最优或竞争性结果。
2023-04-14 cs.AI cs.CL cs.LG
Code-Style In-Context Learning for Knowledge-Based Question Answering
Beihang University（北京航空航天大学）；Zhongguancun Laboratory（中关村实验室）
针对KBQA中LLMs因不熟悉逻辑形式导致格式错误率高的问题，提出代码风格上下文学习方法，将逻辑形式生成转为代码生成，在三个数据集上实现新SOTA。
2024-01-05 cs.AI cs.CL
SentGraph: Hierarchical Sentence Graph for Multi-hop Retrieval-Augmented Question Answering
University of Science and Technology of China（中国科学技术大学）；Hefei University of Technology（合肥工业大学）
提出SentGraph，一种句子级图RAG框架，通过构建层次化句子图并建模细粒度逻辑关系，解决多跳问答中证据链不完整的问题。
2026-05-23 cs.AI cs.CL
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
LP-LM: No Hallucinations in Question Answering with Logic Programming
Cornell University（康奈尔大学）；Stony Brook University（石溪大学）
针对大型语言模型（LLMs）问答幻觉问题，提出LP-LM系统，通过Prolog语义解析锚定知识库事实生成可靠答案，实验表明其无幻觉且运行高效。
2025-02-13 cs.AI cs.CL
Non-monotonic Logical Reasoning Guiding Deep Learning for Explainable Visual Question Answering
University of Auckland（奥克兰大学）；University of Birmingham（伯明翰大学）
许多模式识别问题的现有算法依赖于深度网络模型。训练这些模型需要大量的标记数据集和大量的计算资源。此外，很难理解这些学习模型的工作原理，限制了它们在某些关键应用中的使用。为了解决这些限制，我们的架构从认知系统的研究中汲取灵感，并整合了常识逻辑推理，归纳学习和深度学习的原则。在回答有关场景和潜在分类问题的解释性问题时，该架构使用深度网络从图像中提取特征并生成查询答案。在这些深层网络之间，它嵌入了用于不完整常识领域知识的非单调逻辑推理和用于决策树归纳的组件。它还增量地学习和推理先前未知的控制域状态的约束。我们评估了模拟和现实世界的图像数据集的上下文中的架构，和一个模拟的机器人计算，执行，并提供解释性的描述计划。实验结果表明，与深度网络的“端到端”架构相比，当训练数据集很小时，我们的架构在分类问题上提供了更好的准确性，与较大数据集相当的准确性，以及对解释性问题的更准确答案。此外，以前未知的约束条件的增量采集提高了回答解释性问题的能力，并扩展非单调逻辑推理，以支持规划和诊断，提高了可靠性和效率的计算和执行计划的模拟机器人。
2019-09-23 cs.AI cs.CV cs.RO
Uni-Parser: Unified Semantic Parser for Question Answering on Knowledge Base and Database
Salesforce Research（Salesforce研究院）；Yale University（耶鲁大学）
将自然语言问题解析成可执行的逻辑形式是对诸如知识库（KB）或数据库（DB）之类的结构化数据执行问答的有用且可解释的方式。然而，现有的语义解析方法不能适应这两种模式，因为它们遭受的逻辑形式候选人的指数增长，很难推广到看不见的数据。在这项工作中，我们提出了Uni-Parser，一个统一的语义解析器的问答（QA）的知识库和数据库。我们引入原语（KB中的关系和实体，DB中的表名、列名和单元值）作为框架中的基本元素。基元的数量随着KB和DB中检索到的关系的数量而线性增长，这使我们无法处理指数逻辑形式的候选者。我们利用生成器来预测最终的逻辑形式，通过改变和组合具有不同操作（例如选择，在哪里，计数）的顶级原语。通过对比基元排序器对搜索空间进行充分的修剪，生成器能够捕获基元的组合，从而增强了其泛化能力。我们在多个KB和DB QA基准测试中更有效地获得了有竞争力的结果，特别是在组合和zero-shot设置中。
2022-11-09 cs.AI cs.CL cs.PL
Question answering: from partitions to Prolog
我们实现Groenendijk和Stokhof的分区语义的问题在一个简单的问答算法。该算法是健全的，完整的，并基于tableau定理证明。该算法依赖于答案的句法特征：问题的任何答案都等价于仅从问题的实例中构建的公式。我们证明了这一特征，通过翻译的审讯逻辑经典谓词逻辑和克雷格的插值定理。
2002-09-04 cs.AI cs.CL cs.LO
Leveraging Frequent Query Substructures to Generate Formal Queries for Complex Question Answering
Nanjing University（南京大学）
形式化查询生成的目的是在给定实体和关系链接结果的情况下，为知识库上的问答生成正确的可执行查询。目前的方法为整个问题构建通用的释义或排名模型，这可能会在生成复杂的长尾问题的查询时失败。在本文中，我们提出了SubQG，一个新的查询生成方法的基础上频繁的查询子结构，这有助于排名现有的（但不重要的）查询结构或建立新的查询结构。我们在两个基准数据集上的实验表明，我们的方法显着优于现有的，特别是对于复杂的问题。此外，它实现了有限的训练数据和嘈杂的实体/关系链接结果有前途的性能。
2019-08-29 cs.AI cs.CL
V-Loop: Visual Logical Loop Verification for Hallucination Detection in Medical Visual Question Answering
Northwestern Polytechnical University（西北工业大学）
V-Loop通过双向推理和视觉逻辑循环验证，提升医学视觉问答中幻觉检测的准确性和效率。
2026-01-26 cs.CV
Compositional Consistency-Guided Decoding for Three-Way Logical Question Answering
针对大语言模型在三值逻辑问答中的否定不一致和认知未知问题，提出一种轻量级测试时解码层CGD-PD，通过神经三值分类、符号否定一致性投影和定向二值蕴含探测，在FOLIO数据集上提升准确率4.4-6.8点并减少未知预测。
2026-05-26 cs.AI cs.CL cs.LO
RealCQA: Scientific Chart Question Answering as a Test-bed for First-Order Logic
University at Buffalo（布法罗大学）
针对真实世界图表视觉问答数据短缺问题，提出RealCQA基准与数据集，通过基于模板的问答评估模型的一阶逻辑能力。
2023-08-03 cs.CV cs.LO
DeepEra: A Deep Evidence Reranking Agent for Scientific Retrieval-Augmented Generated Question Answering
Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Peking University（北京大学）
DeepEra通过集成逐步推理提升科学检索增强生成问答的检索精度，首次系统研究并验证了双阶段RAG框架中语义相似但逻辑无关的问题。
2026-01-23 cs.AI cs.CL
Entity-Enriched Neural Models for Clinical Question Answering
UMass-Amherst（马萨诸塞大学阿默斯特分校）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research, Cambridge（IBM剑桥研究院）
我们探索了最先进的神经模型，用于电子医疗记录上的问答，并提高了它们在测试时更好地概括以前看不见的（释义）问题的能力。我们通过学习预测逻辑形式作为辅助任务以及答案广度检测的主要任务来实现这一点。预测的逻辑形式也可以作为答案的基本原理。此外，我们还通过ERNIE架构将医疗实体信息纳入这些模型中。我们在大规模emrQA数据集上训练我们的模型，并观察到我们的多任务实体丰富模型比基线BERT模型更好地泛化到释义问题~5%。
2021-02-20 cs.AI cs.CL cs.LG
GeoReason: Aligning Thinking And Answering In Remote Sensing Vision-Language Models Via Logical Consistency Reinforcement Learning
Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空信息研究所）；Key Laboratory of Target Cognition and Application Technology, Chinese Academy of Sciences（中国科学院目标认知与应用技术重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）
GeoReason通过逻辑一致性强化学习提升遥感视觉-语言模型的推理可靠性与可解释性，实现思考与决策的同步。
2026-01-08 cs.CV
ProSLM : A Prolog Synergized Language Model for explainable Domain Specific Knowledge Based Question Answering
University of California Santa Cruz（加州大学圣克鲁兹分校）
针对现有神经符号方法未用形式逻辑为大语言模型提供查询上下文、验证输出的问题，提出融合领域知识库、逻辑推理与LLM的ProSLM框架，可实现上下文收集与事实验证，开辟神经符号生成式AI文本验证与用户个性化新方向。
2024-09-17 cs.AI cs.CL
Thread: A Logic-Based Data Organization Paradigm for How-To Question Answering with Retrieval Augmented Generation
Peking University（北京大学）；Microsoft（微软）；Nanjing University（南京大学）
本文提出基于逻辑单元的 Thread 数据组织范式，以解决 RAG 中 chunk 切分破坏 how-to 问答逻辑连贯性的问题，并在开放域与工业场景中显著提升成功率、减少检索信息。
2025-09-28 cs.AI
Evidence-Enhanced Triplet Generation Framework for Hallucination Alleviation in Generative Question Answering
针对生成式问答中的幻觉问题，提出证据增强三元组生成框架 EATQA，通过翻转源对和目标标签学习问题、证据与答案的逻辑关系，并在推理阶段蒸馏证据知识，有效提升了证据生成与查询回答能力，缓解了幻觉。
2024-08-27 cs.AI cs.CL
Few-shot Policy (de)composition in Conversational Question Answering
提出LDPC神经符号框架，利用大型语言模型在少样本下通过逻辑分解检测策略合规，在ShARC基准上无需微调即达竞争性能，并增强可解释性。
2025-01-20 cs.AI cs.CL
TIARA: Multi-grained Retrieval for Robust Question Answering over Large Knowledge Bases
Microsoft Research（微软研究院）；Nanjing University（南京大学）；Nankai University（南开大学）；Harbin Institute of Technology（哈尔滨工业大学）
预训练的语言模型（PLM）在多种场景中显示出其有效性。然而，KBQA仍然具有挑战性，特别是在覆盖和泛化设置方面。这是由于两个主要因素：i）理解问题和来自KB的相关知识的语义; ii）生成具有语义和语法正确性的可执行逻辑形式。在本文中，我们提出了一个新的KBQA模型，TIARA，它通过应用多粒度检索来帮助PLM关注最相关的KB上下文，即，实体、示例性逻辑形式和模式项。此外，约束解码用于控制输出空间和减少生成错误。重要基准的实验证明了我们的方法的有效性。TIARA比之前的SOTA（包括那些使用PLM或Oracle实体注释的SOTA）在GrailQA和Websites SP上分别至少高出4.1和1.1个F1点。
2022-10-24 cs.AI cs.CL
From Query to Logic: Ontology-Driven Multi-Hop Reasoning in LLMs
提出无需训练的ORACLE框架，利用LLM动态构建本体并转化一阶逻辑链，分解查询为子问题，在MQA基准上媲美DeepSeek-R1，生成更逻辑可解释的推理链。
2025-09-24 cs.AI cs.CL
Logic Jailbreak: Efficiently Unlocking LLM Safety Restrictions Through Formal Logical Expression
City University of Hong Kong（香港城市大学）；Rutgers University（罗格斯大学）；University of Science and Technology of China（中国科学技术大学）；Universiteit van Amsterdam（阿姆斯特丹大学）；Baidu Inc（百度公司）
本文提出LogiBreak方法，通过将有害提示转化为形式逻辑表达，利用对齐数据与逻辑输入之间的分布差异，有效绕过LLM安全机制，验证其在多语言数据集中的有效性。
2026-04-24 cs.AI cs.CL
LogicSkills: A Structured Benchmark for Formal Reasoning in Large Language Models
Niche, Inc.（Niche公司）；Oregon State University – Cascades（俄勒冈州立大学-卡斯卡德分校）；MaiNLP；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文提出LogicSkills基准，评估大语言模型在形式符号化、反例构造和有效性评估三项核心逻辑技能中的表现，揭示高任务准确率可能掩盖核心技能弱点。
2026-09-09 cs.AI cs.CL
FC-KBQA: A Fine-to-Coarse Composition Framework for Knowledge Base Question Answering
Renmin University of China（中国人民大学）；Tsinghua University（清华大学）
针对KBQA中粗粒度建模导致的泛化差和细粒度建模导致的不可执行问题，提出FC-KBQA框架，通过提取细粒度知识组件并重组为中粒度知识对生成逻辑表达式，兼顾泛化与可执行性，在GrailQA和WebQSP上达到SOTA且速度提升4倍。
2023-06-26 cs.AI
Compositional Attention Networks for Interpretability in Natural Language Question Answering
Saama AI Research（萨马人工智能研究院）
MAC网是一个为视觉问答设计的合成注意网络。我们提出了一种改进的MAC网络结构的自然语言问答。问答通常需要语言理解和多步推理。MAC网独特的体系结构-存储和控制分离，有利于数据驱动的迭代推理。这使得它成为解决涉及逻辑推理的任务的理想候选人。我们的实验与20 bAbI任务证明了MAC网的价值作为一个数据高效和可解释的架构自然语言问答。MAC网络的透明性提供了一个高度粒度的视图，网络在回答查询时所采取的推理步骤。
2018-10-30 cs.AI cs.CL cs.LG
Learning the meanings of function words from grounded language using a visual question answering model
McGill University（麦吉尔大学）；Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所）；Stanford University（斯坦福大学）
本文研究视觉问答模型如何从基于视觉基础的语言中学习功能词含义，发现循环模型能通过非符号化统计学习掌握逻辑、空间和数值功能词语义，且学习难度受输入频率影响。
2024-04-22 cs.CL
From Parse-Execute to Parse-Execute-Refine: Improving Semantic Parser for Complex Question Answering over Knowledge Base
Sun Yat-Sen University（中山大学）
针对复杂知识库问答的多步推理难题，本文提出解析-执行-细化范式，基于KoPL生成逻辑形式并执行得到中间推理步骤，再用该过程细化模型，推出的PER-KBQA在基准数据集上性能优于现有最优基线。
2023-05-05 cs.AI cs.CL cs.LG
Hyper-dimensional computing for a visual question-answering system that is trainable end-to-end
Laboratoire Psychologie de la Perception（感知心理学实验室）；Université Paris Descartes（巴黎笛卡尔大学）
在这项工作中，我们提出了一个系统的视觉问答。我们的架构由两部分组成，第一部分创建给定图像的逻辑知识库。第二部分根据知识库评估问题。从以前的工作，知识库表示使用超维计算。这种选择的优点是，系统中的所有操作，即创建知识库和评估问题，都是可区分的，从而使系统易于以端到端的方式进行训练。
2017-11-28 cs.AI cs.NE
TLG: Temporal-Logic Grounding for Video Question Answering via Source-Annotation Reconstruction and Category-Targeted Reasoning
The Ohio State University（俄亥俄州立大学）
提出TLG三阶段系统，通过重建动作时间线、解析问题为时间逻辑程序并确定性执行，结合强视觉语言模型和前沿推理模型，将视频问答准确率从46.9%提升至71.37%。
2026-06-01 cs.CV cs.LG
