ELASTIC: Numerical Reasoning with Adaptive Symbolic Compiler
University of Strathclyde(思克莱德大学)
文本数字推理是人工智能的一项挑战性任务,需要阅读理解能力和数字推理能力。以前的方法使用数值推理程序来表示推理过程。然而,大多数作品不分离的操作符和操作数,这是一个数值推理程序的关键组成部分,从而限制了他们的能力,以产生这样的程序复杂的任务的生成。本文介绍了一种自适应符号推理器模型(ELASTIC),该模型以RoberTa为编码器,由推理管理器、算子生成器、操作数生成器和存储寄存器四个模块组成。ELASTIC在进行复杂推理时是健壮的。此外,它是域不可知的,支持不同操作符的扩展,而不关心它包含的操作数的数量。实验表明,ELASTIC在FinQA数据集上的执行准确率和程序准确率分别达到68.96和65.21,在MathQA数据集上的程序准确率达到83.00,明显优于以往最先进的模型。
2022-10-20 cs.AI cs.CL
Tokenization Constraints in LLMs: A Study of Symbolic and Arithmetic Reasoning Limits
University of British Columbia(不列颠哥伦比亚大学);Zhejiang University(浙江大学);Cisco(思科);Stony Brook University(石溪大学)
该研究揭示大语言模型的符号推理能力受分词结构约束,提出分词感知概念形式化其影响,实验证实原子对齐的分词格式可让小模型在结构化推理中超越大模型。
2025-05-20 cs.AI cs.CL
Code Prompting: a Neural Symbolic Method for Complex Reasoning in Large Language Models
Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院)
针对大语言模型自然语言中间推理步骤的缺陷,提出以代码为中间步骤的神经符号提示方法Code Prompting,在7个推理基准上优于CoT提示,并分析了其优势与影响因素。
2023-10-07 cs.AI cs.CL
ProRAC: A Neuro-symbolic Method for Reasoning about Actions with LLM-based Progression
Haoyong Wu, Yongmei Liu(作者)
本文提出神经符号框架ProRAC,利用LLM提取RAC问题要素、逐步执行行动推导状态并回答查询,在多类RAC基准测试中展现出优异性能。
2025-11-19 cs.AI cs.CL
Do Deep Neural Networks Capture Compositionality in Arithmetic Reasoning?
Tohoku University(东北大学);Langsmith, Inc.(朗史密斯公司);RIKEN(理化学研究所)
组合性是符号推理的一个关键属性。然而,最近的神经模型如何捕捉组合性仍然在符号推理任务中探索不足。这项研究通过系统地检查最近发表的预训练seq2seq模型,并使用精心控制的多跳算术符号推理数据集,以经验的方式解决了这个问题。我们介绍了一个技能树的组合在算术符号推理,定义了复杂性的层次结构,以及三个组合维度:系统性,生产力和替代性。我们的实验表明,在这三种类型的组成,模型的斗争与系统性,表现不佳,即使相对简单的组成。即使在用中间推理步骤训练模型之后,这个困难也没有解决。
2023-02-15 cs.AI cs.CL
Neuro-Symbolic Drive: Rule-Grounded Faithful Reasoning for Driving VLAs
Texas A&M University(德克萨斯农工大学);Carnegie Mellon University(卡内基梅隆大学);University of Maryland(马里兰大学);University of California, Riverside(加利福尼亚大学河滨分校);University of Pittsburgh(匹兹堡大学)
提出神经符号驱动框架,利用规则规划器的决策轨迹监督驾驶VLA,实现推理与运动生成的因果耦合,显著降低轨迹误差和碰撞率。
2026-06-24 cs.AI cs.CL
NeSyGeo: A Neuro-Symbolic Framework for Multimodal Geometric Reasoning Data Generation
School of Intelligence Science and Technology, Nanjing University(智能科学与技术学院,南京大学);National Key Laboratory for Novel Software Technology, Nanjing University(新型软件技术国家实验室,南京大学);School of Artificial Intelligence, Nanjing University(人工智能学院,南京大学)
针对多模态大语言模型几何推理数据生成的多样性与泛化性局限,提出神经符号框架NeSyGeo,构建数据集与基准,实验证明其能显著提升多类模型的几何推理性能。
2025-10-02 cs.AI cs.CL
MRKL Systems: A modular, neuro-symbolic architecture that combines large language models, external knowledge sources and discrete reasoning
AI21 Labs(AI21实验室)
巨大的语言模型(LM)开创了人工智能的新时代,成为基于自然语言的知识任务的门户。虽然LM是现代AI的基本要素,但它在许多方面也有固有的局限性。我们将讨论这些限制,以及如何通过采用系统方法来避免这些限制。将挑战概念化为除了语言处理之外还涉及知识和推理的挑战,我们定义了一个具有多个神经模型的灵活架构,并辅以离散知识和推理模块。我们描述了这种神经符号架构,称为模块化推理,知识和语言(MRKL,发音为“奇迹”)系统,实现它的一些技术挑战,以及Jurassic-X,AI 21 Labs的MRKL系统实现。
2022-05-01 cs.AI cs.CL
Project SHADOW: Symbolic Higher-order Associative Deductive reasoning On Wikidata using LM probing
Data ScienceTech Institute(Data ScienceTech学院);Université Côte d’Azur(蔚蓝海岸大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);I3S(信息科学与系统实验室)
本文提出微调语言模型SHADOW,通过联想演绎推理进行中间任务训练,在LM-KBC 2024挑战赛的Wikidata三元组补全任务上以68.72%的F1分数超越基线20%。
2024-09-23 cs.AI cs.CL
Reasoning in Large Language Models Through Symbolic Math Word Problems
University of Pennsylvania(宾夕法尼亚大学);Aragon High School(阿拉贡高中);Princeton University(普林斯顿大学);Google Research(谷歌研究院)
本文通过创建SVAMP数据集的符号版本SVAMP_Sym,研究LLMs在数学应用题中的推理能力,提出自我提示方法使符号推理与数值答案对齐,提升推理可解释性并实现集成效果。
2023-08-03 cs.AI cs.CL cs.LG
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
From Symbolic Perception to Logical Deduction: A Framework for Guiding Language Models in Geometric Reasoning
University of Science and Technology of China(中国科学技术大学)
该框架通过几何视觉解析器和符号求解器,使纯语言模型在平面几何推理上达到与大型多模态模型相当的性能,并基于2025年中考基准验证了其有效性与可解释性。
2026-09-10 cs.AI cs.CL
Neural, Symbolic and Neural-Symbolic Reasoning on Knowledge Graphs
Renmin University of China(中国人民大学)
知识图谱推理是支持信息抽取、信息检索和推荐等机器学习应用的基本组成部分。由于知识图谱可以被看作是知识的离散符号表示,因此知识图谱上的推理可以自然地利用符号技术。然而,符号推理是不容忍的歧义和噪音的数据。相反,深度学习的最新进展促进了知识图谱上的神经推理,这对模糊和噪声数据具有鲁棒性,但与符号推理相比缺乏可解释性。考虑到这两种方法的优点和缺点,最近的努力已经取得了这两种推理方法相结合。在这篇综述中,我们深入研究了知识图谱上的符号推理、神经推理和混合推理的发展。我们调查两个具体的推理任务,知识图完成和知识图谱上的问答,并解释他们在一个统一的推理框架。我们还简要讨论了知识图谱推理的未来发展方向。
2021-03-31 cs.AI cs.LO
Enhancing the Geometric Problem-Solving Ability of Multimodal LLMs via Symbolic-Neural Integration
University of Science and Technology of China(中国科学技术大学);iFLYTEK Research(讯飞研究院)
针对多模态大语言模型(MLLMs)在几何问题求解(GPS)中存在的分步数据缺乏与推理幻觉问题,提出GeoGen流水线生成高质量问答对,训练GeoLogic模型融合符号-神经优势,显著提升MLLMs在几何推理基准上的性能。
2025-04-17 cs.AI cs.CL
Model-Grounded Symbolic Artificial Intelligence Systems Learning and Reasoning with Model-Grounded Symbolic Artificial Intelligence Systems
Massachusetts Institute of Technology(麻省理工学院);University of Alabama(阿拉巴马大学)
提出将指令微调大语言模型重新解释为模型接地的符号AI系统,以自然语言为符号层、模型内部表示空间实现接地,并开发了保持传统范式结构相似性的新学习与推理方法,初步评估表明其能提升学习效率与推理可靠性。
2025-07-14 cs.AI
Improved Logical Reasoning of Language Models via Differentiable Symbolic Programming
Carnegie Mellon University(卡内基梅隆大学);University of Pennsylvania(宾夕法尼亚大学);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Petuum Inc.(Petuum公司)
本文提出DSR-LM可微符号推理框架,结合预训练语言模型与符号模块,学习加权规则并应用语义损失,在演绎推理基准上准确率提升超20%,且优于多种基线。
2023-05-05 cs.AI cs.CL cs.LG
Reasoning based on symbolic and parametric knowledge bases: a survey
该综述从知识库依赖视角出发,将知识库分为符号与参数化两类,系统梳理对应及融合的推理方法,指明增强机器推理能力、缩小人机智能差距的未来方向。
2025-02-21 cs.AI cs.CL
NeSTR: A Neuro-Symbolic Abductive Framework for Temporal Reasoning in Large Language Models
National Key Laboratory of Big Data and Decision(大数据与决策国家重点实验室)
NeSTR通过结合符号表示与反思推理,提升大语言模型在复杂时间约束下的推理能力。
2025-12-08 cs.AI cs.CL cs.LG
Interpretable by AI Mother Tongue: Native Symbolic Reasoning in Neural Models
PARRAWA AI
该框架让神经模型发展出原生符号语言AI母语,通过嵌入推理、门控归纳和顺序训练,实现透明推理,在AI任务上兼顾准确性与可验证性。
2025-08-26 cs.AI cs.CL cs.LG
Symbolic Intermediaries as a Linguistic-Numerical Interface for LLM-Driven Geometric Reasoning
Idiap Research Institute(Idiap研究 institute);École Polytechnique Fédérale de Lausanne(瑞士联邦理工学院);Honda Research Institute Europe(本田欧洲研究院);Department of Computer Science, University of Manchester(曼彻斯特大学计算机科学系);National Biomarker Centre, CRUK-MI, University of Manchester(曼彻斯特大学国家生物标记中心)
提出符号中介作为连接物理模拟器数值输出与语言模型推理的接口,通过符号回归将连续数值转化为符号表达式,并在协同优化循环中提升几何推理性能。
2026-05-29 cs.AI cs.CL
NeuroSymActive: Differentiable Neural-Symbolic Reasoning with Active Exploration for Knowledge Graph Question Answering
University of Macau(澳门大学);University of Chinese Academy of Sciences(中国科学院大学);The Australian National University(澳大利亚国立大学);Juntendo University(静冈大学);Guangdong Institute of Intelligence Science and Technology(广东智能科学与技术研究院);Central South University(中南大学);Southeast University(东南大学);China Agricultural University(中国农业大学);Adelaide University(阿德莱德大学)
NeuroSymActive结合可微神经符号推理层和主动探索控制器,通过软统一流程模块和神经路径评估器提升知识图谱问答的准确性和效率。
2026-07-29 cs.AI cs.CL
CLMN: Concept based Language Models via Neural Symbolic Reasoning
College of Science, The Hong Kong University of Science and Technology(香港科技大学理学院)
CLMN通过神经符号推理方法,在保持性能的同时提升NLP的可解释性,通过连续嵌入和模糊逻辑推理学习概念交互规则,提升医疗和金融等领域的文本处理效果。
2026-03-30 cs.AI cs.CL
Bridging Symbolic Control and Neural Reasoning in LLM Agents -- The Structured Cognitive Loop
JEI University(JEI大学)
本文提出结构认知循环(SCL)架构,通过分离检索、认知、控制、行动和记忆模块,解决LLM代理的推理与执行纠缠、记忆波动和行动序列失控问题,实现零策略违规、防止冗余调用并保持决策可追溯性。
2026-07-01 cs.AI cs.CL
Rethinking Reasoning in LLMs: Neuro-Symbolic Local RetoMaton Beyond ICL and CoT
本文提出用局部任务自适应加权有限自动机替代 RetoMaton 的全局数据存储,以克服 CoT 和 ICL 推理不稳定、不可解释的问题,并在多个推理任务上验证其性能提升与可追溯性。
2025-08-22 cs.AI cs.CL
SymbolicThought: Integrating Language Models and Symbolic Reasoning for Consistent and Interpretable Human Relationship Understanding
King’s College London(伦敦国王学院);CUHK(香港中文大学);The Alan Turing Institute(艾伦·图灵研究所)
提出人在回路框架SymbolicThought,结合LLM提取与符号推理构建可编辑角色关系图,通过七种逻辑约束和交互界面优化验证,并发布160条关系数据集,显著提升标注准确性与一致性并降低时间成本。
2025-07-13 cs.AI cs.CL cs.HC
Neural-Symbolic Argumentation Mining: an Argument in Favor of Deep Learning and Reasoning
University of Bologna(博洛尼亚大学);TU Darmstadt(达姆施塔特工业大学);University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学)
深度学习为论证挖掘领域带来了显着的贡献,但现有的方法仍然需要填补执行高级推理任务的空白。在这份立场文件中,我们认为神经符号和统计关系学习可以在整合符号和子符号方法以实现这一目标方面发挥至关重要的作用。
2020-01-28 cs.AI
Improving Symbolic Translation of Language Models for Logical Reasoning
本文通过微调和增量推理框架,提升小型语言模型在逻辑推理中的符号翻译能力,减少错误率并提高推理性能。
2026-01-14 cs.AI cs.CL
Weakly Supervised Reasoning by Neuro-Symbolic Approaches
College of Computer Science, Sichuan University(四川大学计算机学院);University of Alberta(阿尔伯塔大学)
本文提出神经符号方法,将符号潜在结构与神经网络结合,通过强化学习或松弛形式实现弱监督推理,并在表格查询、句法、信息抽取和规则推理等任务中验证有效性。
2023-09-19 cs.AI cs.CL cs.LG
When Do Symbolic Solvers Enhance Reasoning in Large Language Models?
University College London(伦敦大学学院);University of Oxford(牛津大学)
本文研究符号求解器如何在大语言模型中增强推理,发现其在需要有限隐式推理但具有充足搜索空间的问题中表现优异,尤其在约束满足问题中提升显著。
2025-12-02 cs.AI
Inference of Abstraction for a Unified Account of Symbolic Reasoning from Data
本文提出了一种基于概率的方法,通过形式逻辑和经验推理关系,统一解释从数据中推断符号推理的机制,为实现类人机器智能提供新视角。
2026-02-23 cs.AI
Relational reasoning and generalization using non-symbolic neural networks
Stanford University(斯坦福大学)
平等(身份)的概念是简单和普遍存在的,使其成为一个关键的案例研究更广泛的问题表示支持抽象的关系推理。以前的研究表明,神经网络不是人类关系推理的合适模型,因为它们不能表示数学上的同一性,即最基本的平等形式。我们重新讨论这个问题。在我们的实验中,我们使用任意表示和在单独的任务上预先训练的表示来评估平等的样本外泛化,以使它们具有结构。我们发现神经网络能够学习(1)基本等式(数学恒等式),(2)仅使用正训练实例的序列等式问题(学习ABA模式序列),以及(3)仅使用基本等式训练实例的复杂分层等式问题(“零射击”泛化)。在后两种情况下,我们的模型执行先前工作中提出的任务,以划分人类独特的符号能力。这些结果表明,符号推理的基本方面可以从数据驱动的非符号学习过程中出现。
2022-05-01 cs.AI cs.CL cs.LG
NormTab: Improving Symbolic Reasoning in LLMs Through Tabular Data Normalization
University of Alberta(阿尔伯塔大学)
本文提出 NormTab 框架,通过将表格规范化作为独立的预处理步骤,有效解决了网络表格结构差异与不一致问题,显著提升了 LLM 在 WikiTableQuestion 和 TabFact 数据集上的符号推理性能。
2025-04-02 cs.AI cs.CL cs.DB
A Fully Spectral Neuro-Symbolic Reasoning Architecture with Graph Signal Processing as the Computational Backbone
Andrew Kiruluta(独立研究者)
本文提出一种完全谱域的神经符号推理架构,以图信号处理为核心主干,将逻辑实体和关系编码为图信号并通过可学习谱滤波器与谱规则落地实现推理,在多个基准上提升了逻辑一致性、可解释性和计算效率。
2025-08-19 cs.AI
Symbolic Grounding Reveals Representational Bottlenecks in Abstract Visual Reasoning
Applied Artificial Intelligence Group, Tallinn University of Technology, Estonia(塔林技术大学应用人工智能小组,爱沙尼亚);Kimova AI, Tallinn, Estonia(Kimova AI,塔林,爱沙尼亚)
本文通过Bongard-LOGO基准测试,发现符号输入能显著提升抽象视觉推理性能,揭示了表征能力是核心瓶颈。
2026-04-23 cs.AI cs.CL cs.CV
From Gameplay to Symbolic Reasoning: Learning SAT Solver Heuristics in the Style of Alpha(Go) Zero
Purdue University(普渡大学)
尽管深度神经网络最近在图像和语音识别、自然语言处理和强化学习等各个领域取得了成功,但在将数值优化的力量引入符号推理方面,我们仍然面临着巨大的挑战。研究人员已经提出了不同的途径,例如用于证明合成的神经机器翻译,用于表示符号模式的符号和表达式的矢量化,以及用于降维的神经后端与用于决策的符号前端的耦合。然而,这些初步的探索仍然只是点的解决方案,并承担其他缺点,如缺乏正确性保证。在本文中,我们提出了将符号推理转换为游戏的方法,并在符号问题上直接利用Alpha(Go)Zero风格的深度强化学习的力量。使用布尔可满足性(SAT)问题作为展示,我们证明了我们的方法的可行性,以及模块化,效率和正确性保证的优点。
2018-02-14 cs.AI
Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective
Wayne State University(韦恩州立大学);University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
该综述从查询视角全面梳理知识图谱推理,涵盖神经符号推理分类及与大语言模型的融合,旨在为多领域研究者提供当前态势与未来方向的相关见解。
2026-08-25 cs.AI
From Natural Language to Executable Narsese: A Neuro-Symbolic Benchmark and Pipeline for Reasoning with NARS
Temple University(特拉华大学)
本文提出神经符号框架,将自然语言推理问题转换为可执行的形式化表示,结合FOL和Narsese,并引入NARS-Reasoning-v0.1基准,支持符号生成与执行验证,展示可监督适应的潜力。
2026-04-20 cs.AI
Can Large Language Models Adequately Perform Symbolic Reasoning Over Time Series?
Emory University(埃默里大学);Amazon(亚马逊);Microsoft(微软);Penn State University(宾夕法尼亚州立大学)
本文提出SymbolBench基准,评估大型语言模型在时间序列上的符号推理能力,结合遗传编程构建闭环系统,揭示模型在科学发现中的优势与局限。
2026-04-24 cs.AI
Neuro-symbolic Commonsense Social Reasoning
University College London(伦敦大学学院)
社会规范是所有人类社会互动的基础,但对它们进行形式化和推理仍然是人工智能系统的主要挑战。我们提出了一个新颖的系统,用于从社会化学101数据集中获取自然语言中的社会经验规则(ROT),并将其转换为一阶逻辑,其中使用神经符号定理证明器执行推理。我们通过几个步骤来实现这一点。首先,ROTs被转换成抽象意义表示(AMR),这是一个图形表示的概念在一个句子中,并对齐AMR与RoberTa嵌入。然后,我们通过一种新的算法生成AMR的替代简化版本,重新组合和合并嵌入,以增加对不同文本措辞和不正确AMR解析的鲁棒性。AMR然后被转换成一阶逻辑,并查询与神经符号定理证明。本文的目标是开发和评估一种神经符号方法,该方法以逻辑形式对社会情境进行显式推理。
2023-03-14 cs.AI
Neural-Symbolic Computing: An Effective Methodology for Principled Integration of Machine Learning and Reasoning
UFRGS(南里奥格兰德联邦大学);FBK(布鲁诺·凯斯勒基金会);Sony Japan(索尼日本)
目前人工智能和机器学习,特别是深度学习的进展不仅在研究界,而且在流行的媒体渠道上都产生了前所未有的影响。然而,有影响力的思想家提出了对人工智能的可解释性和问责制的担忧。尽管人工智能最近的影响,一些工作已经确定了与基于深度学习的系统集成的原则性知识表示和推理机制的需要,以提供合理和可解释的模型,这样的系统。正如Valiant所预见的那样,神经符号计算的目标是整合两种最基本的认知能力:从环境中学习的能力,以及从所学到的东西中推理的能力。神经符号计算是一个活跃的研究课题,多年来,调和的优势,强大的学习神经网络和推理和解释的符号表示。在本文中,我们调查最近的成就,神经符号计算作为一个原则性的方法集成机器学习和推理。我们通过概述方法的主要特征来说明该方法的有效性:神经学习与符号知识表示和推理的原则性整合,允许构建可解释的人工智能系统。神经符号计算提供的见解为可解释和可问责的人工智能系统日益突出的需求提供了新的启示。
2019-05-15 cs.AI
Distilling Neuro-Symbolic Programs into 3D Multi-modal LLMs
University of California, Berkeley(加州大学伯克利分校)
提出APEIRIA,通过三阶段课程学习将符号推理模式蒸馏到3D多模态大语言模型中,实现透明推理与开放词汇空间推理的统一。
2026-06-29 cs.AI cs.CL cs.CV
Neural-Symbolic VQA: Disentangling Reasoning from Vision and Language Understanding
Harvard University(哈佛大学);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);DeepMind(深度思维)
我们结合了两个强大的想法:用于视觉识别和语言理解的深度表示学习,以及用于推理的符号程序执行。我们的神经符号视觉问答(NS-VQA)系统首先从图像中恢复一个结构化的场景表示,并从问题中恢复一个程序跟踪。然后,它在场景表示上执行程序以获得答案。将符号结构作为先验知识提供了三个独特的优势。首先,在符号空间上执行程序对长程序跟踪更鲁棒;我们的模型可以更好地解决复杂的推理任务,在CLEVR数据集上实现了99.8%的准确率。第二,该模型具有更高的数据和内存效率:它在少量训练数据上学习后表现良好;它还可以将图像编码为紧凑的表示,比现有的离线问答方法需要更少的存储空间。第三,符号程序的执行为推理过程提供了完全的透明性;因此我们能够解释和诊断每个执行步骤。
2019-01-14 cs.AI cs.CL cs.CV
Data-driven Machine Learning Cannot Reach Symbolic-level Logical Reasoning -- The Limit of the Scaling Law
The Alan Turing Institute(艾伦·图灵研究所);University of Cambridge(剑桥大学)
本文通过理论分析和实验证明,数据驱动的监督深度学习无法通过增加训练数据和时间达到符号级三段论推理的严谨性,并揭示了训练数据和方法上的根本限制。
2026-07-21 cs.AI
A Neuro-Symbolic Framework for Reasoning under Perceptual Uncertainty: Bridging Continuous Perception and Discrete Symbolic Planning
The University of Hong Kong(香港大学);Guangzhou College of Commerce(广州商学院)
针对AI系统中连续感知与离散符号推理的连接挑战,提出一种神经符号框架,通过概率符号状态提取与不确定性感知规划器实现感知到规划的不确定性建模与传播,在桌面机器人操纵任务中取得优于POMDP基线的性能,且具通用性。
2025-11-18 cs.AI
Think before You Simulate: Symbolic Reasoning to Orchestrate Neural Computation for Counterfactual Question Answering
Arizona State University(亚利桑那州立大学);Samsung Research(三星研究)
针对神经符号模型反事实问答能力不足的问题,本文提出基于因果图与ASP符号推理协调感知和模拟模块的增强方法,在CLEVRER基准取得SOTA,结合大模型提示还可提升CRAFT基准反事实推理性能。
2025-06-12 cs.AI
NeuroQL: A Neuro-Symbolic Language and Dataset for Inter-Subjective Reasoning
OrgD. Labs(OrgD实验室)
我们提出了一个新的人工智能任务和基线解决方案的主体间推理。我们将主观间信息定义为可能由不同方共享的客观和主观信息的混合物。例如,IR(信息检索)系统报告的商品及其客观属性,需要与在线论坛的主观用户评论进行交叉引用。对于一个人工智能系统来说,要成功地对两者进行推理,它需要能够将客观事实的符号推理与主观用户评论中的共识结合起来。为此,我们引入NeuroQL数据集和DSL(特定领域语言)作为此问题的基线解决方案。NeuroQL是一种神经符号语言,它扩展了与神经原语的逻辑统一,用于提取和检索。它可以作为一个目标,用于将主体间问题(以自然语言提出)自动翻译成可以回答它们的神经符号代码。
2023-03-13 cs.AI cs.CL cs.PL
Integrating Symbolic Reasoning into Neural Generative Models for Design Generation
Purdue University(普渡大学)
针对神经生成模型无法满足明确用户规格的问题,提出SPRING模型,在深度生成网络中嵌入神经与符号集成的空间推理模块,利用无回溯分布采样对象位置,保证输出满足约束并提供可解释性,且支持零样本约束迁移,在实验中优于基线模型。
2024-11-14 cs.AI
Advancing Multimodal Agent Reasoning with Long-Term Neuro-Symbolic Memory
University of New South Wales(新南威尔士大学);Zhejiang University(浙江大学);Shanghai Jiao Tong University(上海交通大学)
本文提出NS-Mem框架,结合神经记忆与符号结构,提升多模态代理的推理能力,实验证明其在推理准确率上优于纯神经记忆系统。
2026-03-16 cs.AI
AutoVSR: Automatic Visual-to-Symbolic Reasoning for Symbolic Expression Generation from Circuit Schematic
Hunan University, Changsha, China(湖南大学);Wuhan University of Technology, Wuhan, China(武汉理工大学);Huazhong University of Science and Technology, Wuhan, China(华中科技大学)
研究旨在解决从电路原理图生成符号表达式的难题,提出AutoVSR框架,利用视觉语言模型,通过重建电路图为可执行中间表示并借助符号求解器推理,引入两项创新提升准确率,在任务中表现优于其他方法,还降低了推理成本和提高了计算效率。
2026-07-23 cs.AI
Bridging Logic and Learning: A Neural-Symbolic Approach for Enhanced Reasoning in Neural Models (ASPER)
Faculty of Science and Technology (REALTEK) Norwegian University of Life Sciences NMBU(科学与技术学院(REALTEK)挪威生命科学大学NMBU)
本文提出ASPER神经符号方法,将ASP求解器输出纳入浅层ANN的损失函数,仅用12个数独谜题且无超参数调优即显著提升推理性能。
2023-12-18 cs.AI
LTLZinc: a Benchmarking Framework for Continual Learning and Neuro-Symbolic Temporal Reasoning
University of Pisa(比萨大学);University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);KU Leuven(鲁汶大学);University of Florence(佛罗伦萨大学);University of Siena(锡耶纳大学)
本文提出 LTLZinc 基准框架,基于 LTL 与 MiniZinc 约束及图像数据集生成时间推理和持续学习任务,实验表明现有方法仍存在明显局限。
2025-07-23 cs.AI
From Eigenmodes to Proofs: Integrating Graph Spectral Operators with Symbolic Interpretable Reasoning
Andrew Kiruluta and Priscilla Burity(独立研究者)
Spectral NSR通过将逻辑规则嵌入谱模板并在图谱谱域推理,统一了符号推理的可解释性与谱学习的可扩展性,在多个基准上超越现有方法。
2025-09-07 cs.AI cs.CL cs.LG
Limit Analysis for Symbolic Multi-step Reasoning Tasks with Information Propagation Rules Based on Transformers
Institute of Natural Sciences, MOE-LSC, Shanghai Jiao Tong University(上海交通大学理论科学研究院);School of Mathematical Sciences, Shanghai Jiao Tong University(上海交通大学数学科学学院);School of Mathematics and Statistics, Wuhan University(武汉大学数学学院)
针对 Transformers 多步推理机制不明的问题,提出信息传播规则并通过符号任务进行理论分析,给出 L 层注意力模型单次前向推理步数介于 O(3^{L-1}) 与 O(2^{L-1}) 之间的界限。
2026-11-09 cs.AI
The Changing Role of Symbolic Methods in Artificial Intelligence
Singapore Management University(新加坡管理大学)
本文提出压缩原理与建模-推理权衡,指出显式符号推理是简化现实模型的计算产物,未来符号方法将成为高能力AI与人类间的交互接口。
2026-07-07 cs.AI cs.LO