Relational Abstractions for Generalized Reinforcement Learning on Symbolic Problems
School of Computing and Augmented Intelligence(计算与增强智能学院);Arizona State University(亚利桑那州立大学)
符号状态空间问题中的强化学习具有挑战性,因为需要长时间的推理。本文提出了一种新的方法,利用关系抽象结合深度学习来学习此类问题的可推广的Q函数。学习的Q函数可以有效地转移到具有不同对象名称和对象数量的相关问题,从而具有完全不同的状态空间。我们表明,学习广义Q函数可以用于zero-shot转移到相关的问题,没有明确的,手工编码的课程。对一系列问题的实证评估表明,我们的方法有利于有效的zero-shot转移的学习知识,包含许多对象的更大的问题实例。
2022-04-27 cs.AI cs.LG
NeuroAbs: A Neuro-Symbolic RTL Abstraction Framework for Property Checking Acceleration
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
本文提出NeuroAbs框架,结合LLM与AST实现RTL抽象,通过SMT验证抽象正确性、CEGAR迭代精化,可加速硬件属性检查,解决现有方法人工成本高或灵活性不足的问题。
2026-08-19 cs.AI cs.AR cs.SE
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
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
Compositional Neuro-Symbolic Reasoning
CoreThink AI;Stanford University(斯坦福大学)
本文提出一种结合神经和符号方法的推理框架,通过提取网格对象结构、利用神经先验提出变换候选方案并过滤假设,提升ARC-AGI-2任务表现,无需任务特定微调或强化学习。
2026-11-04 cs.AI
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
OntoAct: Hypothesis-Based Neuro-Symbolic Agents through Ontological Abstraction
Seoul National University(首尔大学)
本研究提出基于本体抽象的神经符号框架OntoAct,结合LLM与符号验证器,在Tacit-FLE、Mars、ALFWorld基准中实现领先任务性能,可用于工厂故障诊断修复等场景。
2026-10-16 cs.AI cs.LG
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
Neuro-Symbolic Imitation Learning: Discovering Symbolic Abstractions for Skill Learning
Intelligent Autonomous Systems, TU Darmstadt, Germany(图腾达姆施塔特大学智能自主系统研究所);German Research Center for AI, Germany(德国人工智能研究中心);Hessian Centre for Artificial Intelligence, Germany(黑森州人工智能中心);Honda Research Institute EU, Germany(本田欧洲研究院)
本文提出一种神经符号模仿学习框架,通过学习符号表示将任务分解为子任务并利用符号规划生成抽象计划,进而学习神经技能将其转化为机器人命令,在模拟环境中提升了数据效率、泛化能力和可解释性。
2025-11-03 cs.AI cs.LG cs.RO
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
Noisy Symbolic Abstractions for Deep RL: A case study with Reward Machines
University of Toronto(多伦多大学);Vector Institute(矢量研究所);Schwartz Reisman Institute for Technology and Society(施瓦茨·赖斯曼技术与社会研究所);Pontificia Universidad Católica de Chile(智利天主教大学);Centro Nacional de Inteligencia Artificial(国家人工智能中心)
自然语言和形式语言为人类提供了一种有效的机制来指定指令和奖励函数。我们研究如何通过RL产生的政策时,奖励功能指定的符号语言捕获奖励机,一个越来越流行的自动机启发的结构。我们感兴趣的情况下,环境状态的映射到一个符号(在这里,奖励机)词汇-通常被称为标签功能-是不确定的代理的角度来看。我们制定的策略学习的问题,在奖励机与嘈杂的符号抽象作为一类特殊的POMDP优化问题,并研究了几种方法来解决这个问题,建立在现有的和新的技术,后者侧重于预测奖励机的状态,而不是接地的个别符号。我们分析了这些方法,并在不同程度的不确定性的正确解释的象征性词汇的实验评估。我们验证了我们的方法的强度和现有方法的局限性,通过实证调查说明,玩具域和部分可观察的,深RL域。
2022-11-23 cs.AI cs.FL cs.LG
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
Graphs, Constraints, and Search for the Abstraction and Reasoning Corpus
University of Toronto(多伦多大学);Scale AI
抽象与推理语料库(ARC)旨在对一般人工智能算法的性能进行基准测试。ARC专注于广泛的泛化和少样本学习,这使得使用纯机器学习很难解决。一种更有前途的方法是在适当设计的领域特定语言(DSL)内执行程序合成。然而,这些也取得了有限的成功。我们提出了抽象推理与图形抽象(ARGA),一个新的以对象为中心的框架,首先表示使用图形的图像,然后执行一个正确的程序中的DSL是基于抽象的图形空间的搜索。这种组合搜索的复杂性是驯服通过使用约束采集,状态散列,禁忌搜索。一组广泛的实验证明了ARGA在相当有效地处理ARC的一些复杂的以对象为中心的任务方面的前景,产生了正确且易于理解的程序。
2022-12-02 cs.AI
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
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
Generalized Planning for the Abstraction and Reasoning Corpus
The University of Melbourne(墨尔本大学)
本文提出GPAR方法,将ARC抽象推理任务建模为带指针的广义规划问题,利用PDDL和领域知识约束提升求解性能,在以对象为中心的任务上超越现有最优求解器。
2024-01-15 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
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
Position: Certified Correctness in Neural Constraint Reasoning Requires Symbolic Integration
本文针对神经约束推理在分布偏移下易出现约束违反的问题,提出需优先将神经方法与符号方法双向集成,通过多智能体认证推理框架实现计算效率与可证正确性。
2026-08-18 cs.AI
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
Interleaving Scheduling and Motion Planning with Incremental Learning of Symbolic Space-Time Motion Abstractions
本文提出一种交织调度与运动规划的增量学习框架,用于多物体共享空间的调度与运动规划,通过符号时空运动抽象提升复杂时空约束下的执行效率。
2026-03-19 cs.AI cs.RO
Generative Flow on Symbolic Abstractions for Embodiment Capability Discovery
Indiana University Bloomington(印第安纳大学布卢明顿分校)
该研究针对机器人复杂长时程行为训练中任务分布与具身可行性不匹配的问题,提出 FOSA 框架,通过生成流网络构建符号任务骨架并结合仿真奖励,发现适配机器人能力的任务,蒸馏后提升未见复杂任务性能。
2026-10-14 cs.AI cs.LG cs.RO
Towards Learning Abstractions via Reinforcement Learning
Chalmers University of Technology(查尔姆斯理工大学)
在本文中,我们采取的第一步,在研究一种新的方法来合成有效的通信方案,在多智能体系统,通过强化学习训练。我们将符号方法与机器学习结合起来,称为神经符号系统。智能体并不局限于只使用初始原语:强化学习与步骤交错,以新的更高层次的概念扩展当前语言,允许通过更短的消息进行概括和更多信息的通信。我们证明,这种方法允许代理更快地收敛到一个小的协作建设任务。
2022-12-28 cs.AI cs.LG
Inference of Abstraction for a Unified Account of Reasoning and Learning
Cardiff University(卡迪夫大学)
受神经科学贝叶斯方法启发,提出统一解释推理与学习的概率推断理论,将推理视为通过抽象从数据推导符号知识的过程,并通过逻辑证明和MNIST数据集验证其正确性。
2024-02-14 cs.AI cs.LG cs.LO
Enhancing Analogical Reasoning in the Abstraction and Reasoning Corpus via Model-Based RL
Gwangju Institute of Science and Technology(光州科学技术院)
本文提出基于模型的强化学习方法,通过构建内部模型解决抽象与推理语料库(ARC)中的类比推理任务,实验证明其比无模型RL在学习和泛化上更具优势。
2024-08-27 cs.AI cs.LO
Vector Symbolic Algebras for the Abstraction and Reasoning Corpus
Centre for Theoretical Neuroscience(理论神经科学中心);David R. Cheriton School of Computer Science(大卫·R·切里顿计算机科学学院);University of Waterloo(滑铁库大学);Department of Philosophy(哲学系);Department of Systems Design Engineering(系统设计工程系)
针对人类易解但AI系统难处理的ARC-AGI基准,提出一种认知合理的求解器,结合系统1直觉与系统2推理,基于向量符号代数(VSAs)实现对象中心程序合成,在多个基准上取得结果,且为首个将VSAs应用于该任务的方法。
2025-11-11 cs.AI cs.LG
Non-Interactive Symbolic-Aided Chain-of-Thought for Logical Reasoning
Japan Advanced Institute of Science and Technology(日本科学技术先进研究院)
本研究提出符号辅助思维链方法,将轻量级符号融入少样本提示以优化大语言模型逻辑推理,在四个基准上的实验证明其能跨模型规模提升推理能力,多数据集表现优于传统CoT。
2025-10-04 cs.AI cs.CL
Towards Abstraction in ASP with an Application on Reasoning about Agent Policies
TU Wien(维也纳工业大学)
ASP程序是解决问题的方便工具,而对于大型问题实例,状态空间的大小可能会令人望而却步。我们认为抽象作为一种手段的过度近似,并介绍了一种方法来自动抽象(可能是非地面)ASP程序,保留其结构,同时减少问题的大小。一个特定的应用程序的情况下,定义声明性的政策反应式代理和推理的问题,我们举例说明。
2018-09-18 cs.AI cs.LO
Neural-guided, Bidirectional Program Search for Abstraction and Reasoning
Massachusetts Institute of Technology(麻省理工学院);Raytheon BBN Technologies(雷神BBN技术公司);Boston University(波士顿大学);Princeton University(普林斯顿大学)
当今人工智能研究面临的挑战之一是设计能够利用系统推理来概括新任务的系统。抽象和推理语料库(ARC)通过一组视觉推理任务来衡量这种能力。在本文中,我们报告了ARC的渐进式进展,并为两种不基于蛮力搜索的抽象和推理方法奠定了基础。我们首先应用现有的程序合成系统称为DreamCoder创建符号抽象的任务解决到目前为止,并显示它如何使解决越来越具有挑战性的ARC任务。其次,我们设计了一个推理算法的动机,人类的方式接近ARC。我们的算法构造了一个搜索图,并在此图结构的原因,发现任务的解决方案。更具体地说,我们扩展现有的执行引导的程序合成方法与演绎推理的基础上的功能逆语义,使神经引导的双向搜索算法。我们证明了算法的有效性三个域:ARC,24场比赛的任务,和一个“双加”算术难题。
2021-10-26 cs.AI cs.LG
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
Hierarchical Symbolic Reasoning in Hyperbolic Space for Deep Discriminative Models
Imperial College London(帝国理工学院)
\emph{black-box}模型的解释帮助我们理解模型决策,并提供有关模型偏差和不一致性的信息。目前大多数的可解释性技术提供了一个单一的层次的解释,往往在输入空间中的特征重要性得分或特征注意力图。我们的重点是在\emph{multiple levels of abstraction}上解释深度判别模型,从细粒度到完全抽象的解释。我们通过使用\emph{hyperbolic geometry}的自然属性来更有效地建模符号特征的层次结构并生成\emph{hierarchical symbolic rules}作为我们解释的一部分来实现这一点。具体而言,对于任何给定的深度判别模型,我们通过使用矢量量化对连续潜在空间进行离散化来提取基础知识,以形成符号,然后通过\emph{hyperbolic reasoning block}来诱导\emph{abstraction tree}。我们遍历树中提取的符号规则和相应的视觉语义的解释。我们证明了我们的方法的有效性MNIST和AFHQ高分辨率的动物面孔数据集。我们的框架可以在\url{https://github.com/koriavinash1/SymbolicInterpretability}上找到。
2022-07-05 cs.AI cs.CV
Goal Space Abstraction in Hierarchical Reinforcement Learning via Set-Based Reachability Analysis
LIX, CNRS, École Polytechnique, Institut Polytechnique de Paris(法国国家科学研究中心、巴黎综合理工学院、巴黎理工学院 LIX 实验室);Flowers Team, U2IS, ENSTA Paris, Institut Polytechnique de Paris & Inria(法国国立高等先进技术学院、巴黎理工学院 Flowers 团队与法国国家信息与自动化研究所);IMT Atlantique, Lab-STICC(大西洋理工大学、STICC 实验室)
本文提出一种基于集合可达性分析的Feudal HRL算法,通过涌现表示自主发现并抽象具有相似作用的状态集合,同时学习目标表示与分层策略,实现可解释、可迁移且数据高效的学习。
2023-11-22 cs.AI cs.LG
A Novel Architecture for Symbolic Reasoning with Decision Trees and LLM Agents
Andrew Kiruluta(独立研究者)
提出一种融合决策树符号推理与LLM生成能力的多智能体混合架构,通过中央协调器统一管理,在多个推理基准上显著提升性能,提供可解释且可扩展的神经符号推理方案。
2025-08-07 cs.AI cs.CL
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
ToM-LM: Delegating Theory of Mind Reasoning to External Symbolic Executors in Large Language Models
University of Edinburgh(爱丁堡大学)
本文提出ToM-LM方法,通过外部符号执行器SMCDEL和微调增强大语言模型的复杂心理理论推理能力,显著优于基线,并倡导将信念推理外部化推广至其他ToM方面。
2024-06-26 cs.AI cs.CL
Empirical Investigation of Neural Symbolic Reasoning Strategies
Tohoku University(东北大学);Langsmith, Inc.(Langsmith公司);RIKEN(理化学研究所)
当生成中间推理步骤时,神经推理准确性提高。然而,这种改善的来源尚不清楚。在这里,我们调查和分解的好处,产生符号推理的中间步骤。具体来说,我们分解的推理策略w.r.t.步骤粒度和链接策略。对于纯符号数值推理数据集(例如,A=1,B=3,C=A+3,C?),我们发现推理策略的选择显著地影响性能,随着外推长度变长,差距变得更大。令人惊讶的是,我们还发现,某些配置导致几乎完美的性能,即使在长度外推的情况下。我们的研究结果表明,进一步探索有效的策略神经推理模型的重要性。
2023-02-16 cs.AI cs.CL
Neuro-Symbolic Reasoning Shortcuts: Mitigation Strategies and their Limitations
University of Trento(特伦托大学);University of Pisa(比萨大学)
神经符号预测器学习从子符号输入到更高级别概念的映射,然后对这个中间表示进行(概率)逻辑推理。这种设置在与符号先验知识的一致性方面提供了明显的优势,并且通常被认为提供了可解释性的好处,因为-凭借遵守知识-所学习的概念可以被人类利益相关者更好地理解。然而,最近的研究表明,这种设置受到推理捷径的影响,从而通过利用具有非预期语义的概念来实现高准确性,从而产生差的分布性能并损害可解释性。在这篇简短的论文中,我们建立了推理捷径和最优的损失函数之间的正式联系,并确定推理捷径可能出现的情况。在此基础上,我们讨论了自然缓解策略,如重建和概念监督的局限性。
2023-03-22 cs.AI cs.LG
Emergent Symbolic Mechanisms Support Abstract Reasoning in Large Language Models
Princeton University(普林斯顿大学);Microsoft Research(微软研究院)
通过分析LLM内部机制,发现其抽象推理依赖由符号抽象、符号归纳和检索三个计算阶段构成的涌现符号架构,为符号与神经网络之争提供了新证据。
2025-06-06 cs.AI cs.CL
Neuro-Symbolic Artificial Intelligence: Towards Improving the Reasoning Abilities of Large Language Models
National Key Laboratory for Novel Software Technology, Nanjing University, China(国家新型软件技术重点实验室,南京大学,中国);School of Artificial Intelligence, Nanjing University, China(人工智能学院,南京大学,中国);School of Intelligence Science and Technology, Nanjing University, China(智能科学与技术学院,南京大学,中国)
本文系统综述了利用神经符号方法提升大语言模型推理能力的最新进展,从Symbolic->LLM、LLM->Symbolic和LLM+Symbolic三个视角梳理方法,并讨论关键挑战与未来方向。
2025-08-19 cs.AI cs.LG
Enhancing Structural Mapping with LLM-derived Abstractions for Analogical Reasoning in Narratives
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Southern California(南加州大学)
本文提出YARN框架,利用LLM分解叙事并抽象单元,提升叙事类比推理能力,实验表明抽象显著提升性能,揭示了抽象层级、隐含因果关系和类比模式分类的挑战。
2026-03-31 cs.AI cs.CL
REASON: Accelerating Probabilistic Logical Reasoning for Scalable Neuro-Symbolic Intelligence
REASON通过统一图表示和自适应剪枝技术,实现概率逻辑推理的加速,提升神经符号AI的效率与可扩展性。
2026-01-28 cs.AI cs.AR
The Dual Role of Abstracting over the Irrelevant in Symbolic Explanations: Cognitive Effort vs. Understanding
Institute of Logic and Computation, TU Wien(逻辑与计算研究所,维也纳技术大学);Cognitive Systems, University of Bamberg(认知系统,巴姆伯格大学)
研究探讨形式抽象(去除与聚类)对人类推理表现和认知努力的影响,发现聚类提升理解,去除降低认知负担,支持抽象增强人中心符号解释的假设。
2026-04-28 cs.AI cs.HC
Advanced Weakly-Supervised Formula Exploration for Neuro-Symbolic Mathematical Reasoning
The University of Tokyo(东京大学)
针对神经符号推理中中间标签难获取且大模型生成指令不可靠的问题,提出利用问题输入与最终输出的弱监督来探索中间标签的高级方法,并在 Mathematics 数据集上验证了其有效性。
2025-02-02 cs.AI cs.LG
RLAD: Training LLMs to Discover Abstractions for Solving Reasoning Problems
Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
针对大模型推理中轨迹难复用、探索退化的问题,提出双智能体强化学习范式RLAD,联合训练抽象生成器与解法生成器,实现结构化探索,提升难问题泛化能力,且测试时侧重抽象生成更能提升性能。
2025-10-02 cs.AI cs.CL cs.LG
Concept-Reversed Winograd Schema Challenge: Evaluating and Improving Robust Reasoning in Large Language Models via Abstraction
Zhejiang University(浙江大学);HKUST(香港科技大学);University of Edinburgh(爱丁堡大学)
本文提出了概念反转的CR-WSC数据集以评估LLMs的鲁棒推理能力,并提出Abstraction-of-Thought(AoT)提示方法,通过概念抽象将对抗样本恢复为正常样本,显著提升了LLMs推理的鲁棒性和一致性。
2024-10-15 cs.AI cs.CL