Definitions by rewriting in the Calculus of Constructions
本文提出了一般的语法条件,确保强规范化和逻辑一致性的演算代数构造,一个扩展的演算构造与功能和谓词定义的高阶重写规则。一方面,构造演算是一个功能强大的类型系统,在其中可以形式化高阶逻辑的命题和自然演绎证明。另一方面,重写是一种简单而强大的计算范式。两者的结合允许,除其他事项外,开发正式的证明与更传统的证明助手相比,具有更小的尺寸和更多的自动化。主要的新颖之处是考虑重写的一般形式,在谓词级,概括了强消除的演算归纳结构。
2006-10-12 cs.LO
Rewriting and Well-Definedness within a Proof System
项重写在各个领域都有重要的应用,尤其是在自动定理证明中,它被用作一种证明技术。许多定理证明器采用专门的证明策略进行重写。这导致演绎和计算之间的交错(即,重写)步骤。如果推理逻辑支持部分函数,重写就必须处理潜在的定义不明确的术语。在本文中,我们提供了一个基础,整合重写与演绎证明系统,处理良好的定义。本文提出的定义和定理是一个可扩展的重写为基础的证明,已实现的集合理论形式主义事件B的理论基础。
2010-12-22 cs.LO
Cyclic and Inductive Calculi are equivalent
Brotherston和Simpson [引用]已经形式化并研究了循环推理,得出了一个重要的结论,即它至少和归纳推理一样强大(具体来说,他们证明了每个归纳证明都可以转化为循环证明)。我们通过证明这个结果的逆来补充他们的研究,即每个归纳证明都可以转化为一个归纳证明。这实际上建立了一阶循环演算和归纳演算之间的等价性。
2011-03-24 cs.LO
Analysing Parallel Complexity of Term Rewriting
我们重新审视并行最里面的长期重写作为一个模型的并行计算归纳数据结构,并提供了相应的概念的运行时复杂度参数的大小的开始长期。我们提出了自动技术,以获得上界和下界的并行重写的复杂性,使现有的技术的顺序复杂性的直接重用。该方法的适用性和精度证明了相对较轻的努力,在扩展的程序分析工具AProVE和众多的基准从文献中的实验。
2022-08-01 cs.LO cs.PL
A Proof Procedure For Separation Logic With Inductive Definitions and Theory Reasoning
本文提出了一种基于逻辑演算的证明方法,结合归纳定义的谓词表示的有界树宽结构和理论推理,检验分离逻辑公式之间蕴涵的有效性。微积分是可靠的和完备的,在这个意义上,证明树是有效的当且仅当它允许一个(可能是无限的)证明树。我们表明,该过程在以下两种情况下终止:(i)当归纳规则,定义谓词发生在左手边的蕴涵终止,在这种情况下,证明树总是有限的。(ii)当理论是空的,在这种情况下,每个有效的证明树都允许一个有理证明树,其中在证明树中出现的成对不同序列的总数是关于r.t.的双指数。最后的结局。
2022-06-22 cs.LO
Coinductive Foundations of Infinitary Rewriting and Infinitary Equational Logic
我们提出了一个共归纳的框架,定义和推理的无穷类似物的方程逻辑和长期重写在一个统一的,共归纳的方式。该设置捕获任意序数长度的重写序列,但它既不需要序数也不需要度量收敛。这使得该框架特别适合于定理证明器中的形式化。
2018-01-09 cs.LO
A Higher-Order Implementation of Rewriting
许多自动定理证明依赖重写。使用定理作为重写规则有助于简化证明过程中出现的子目标。LCF是一个交互式定理证明器,用于计算推理。详细介绍了其重写的实现。LCF提供了一系列重写函数,以及组合它们的操作符。一系列的功能进行了描述,从模式匹配原语的重写工具,执行大多数推论在LCF证明。设计是高度模块化的。每个函数都执行一个基本的特定任务,例如识别某种形式的重言式。每个操作符实现一种从更简单的方法构建重写函数的方法。这些片段可以通过多种方式组合在一起,从而产生各种重写策略。该方法涉及使用高阶函数进行编程。重写函数是由其他重写函数的计算产生的数据值。该代码在剑桥的日常使用中,展示了函数式编程的实际用途。
2001-03-29 cs.LO
Compositional Inductive Invariant Inference via Assume-Guarantee Reasoning
本文提出一种基于假设-保证推理的组合式归纳不变式推断方法,通过将系统分解为组件并推断局部不变式,提高推断效率并提供模块化见解。
2025-09-08 cs.LO
Inductive Reasoning for Coinductive Types
本文提出 AlgCo 框架,利用代数完全偏序和稠密集合上的原始递归,实现对 conats、流等余归纳类型的归纳推理,并在 Coq 中验证了筛法、正则表达式库和概率采样语义。
2023-04-07 cs.LO
Concurrency Theorems for Non-linear Rewriting Theories
Sesqui-pushout(SqPO)重写沿非线性规则和monic匹配是众所周知的,允许建模的融合和克隆的顶点和边缘,但迄今为止,没有一个合适的并发定理的建设。缺乏这样一个定理,反过来,使这种重写系统的组合推理在很大程度上是不可行的。我们在本文中开发了一个合适的并发性定理的非线性SqPO重写类是准拓扑(包括粘合剂类别的例子),并与匹配所需的规则单态的给定类别。我们的建设揭示了一个有趣的“反向传播效应”在计算规则的组成。此外,我们推导出一个并发定理的非线性双推出(DPO)重写的RM粘附范畴。我们的研究结果开放的非线性SqPO和DPO语义丰富的静态分析技术,可从并发,规则代数和tracelet理论。
2021-05-06 cs.LO
Towards United Reasoning for Automatic Induction in Isabelle/HOL
CIIRC, Czech Technical University in Prague(捷克布拉格技术大学捷克信息学、机器人学与控制论研究所);University of Innsbruck(因斯布鲁克大学)
归纳定理证明是计算机科学中一个重要的长期挑战。在这个扩展的摘要中,我们首先总结了Isabelle/HOL的归纳证明的最新发展。然后,我们提出了联合推理,一种新的方法,进一步自动化归纳定理证明。联合推理成功后,综合运用演绎推理、归纳推理和归纳推理三种推理方法的优点,自动证明困难的归纳问题。
2020-05-25 cs.AI cs.LO
On Complexity Bounds and Confluence of Parallel Term Rewriting
LIP (UMR CNRS/ENS Lyon/UCB Lyon1/Inria)(LIP(法国国家科学研究中心/里昂高等师范学院/里昂第一大学/法国国家信息与自动化研究所联合研究单位));Birkbeck, University of London(伦敦大学伯贝克学院);University Grenoble Alpes(格勒诺布尔阿尔卑斯大学)
本文研究并行内最重写模型的复杂度界限与连通性,提出自动技术推导并行重写复杂度的上下界,通过扩展AProVE工具验证方法的有效性。
2024-09-02 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
Trace Logic for Inductive Loop Reasoning
我们提出了跟踪逻辑,一个多排序的一阶逻辑的实例,自动化的部分正确性验证的程序包含循环。跟踪逻辑概括了程序位置的语义,并通过在任意时间点和循环迭代处对属性进行编码来捕获循环语义。我们引导和自动化的归纳循环推理的跟踪逻辑,通过使用通用跟踪引理捕获归纳循环不变。我们的工作是在RAPID框架中实现的,通过扩展和集成RAPID中基于叠加的一阶推理。我们成功地使用RAPID证明了许多程序的正确性,这些程序的功能行为在线性整数运算、数组和归纳数据类型的一阶理论中得到了最好的总结。
2020-08-06 cs.LO cs.SC
On Constructing Constrained Tree Automata Recognizing Ground Instances of Constrained Terms
基于重写归纳法的约束项重写系统的归纳定理证明需要一个约束项约简完备性的判定过程。此外,约束项重写系统的充分完备性使我们能够在证明方法中放宽某些推理规则的侧条件。这两个属性可以归结为与约束项的地面实例集相关的交集空性问题。本文提出了一种构造确定的、完全的和约束完全的约束树自动机的方法,该自动机识别约束项的基实例。
2013-11-21 cs.FL cs.LO
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
Learning First-Order Rules with Relational Path Contrast for Inductive Relation Reasoning
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)
提出 RPC-IR,通过提取关系路径、构造正负路径对比并联合监督训练,学习实体无关的一阶逻辑规则,在三个归纳数据集上提升知识图谱关系推理性能与可解释性。
2021-10-17 cs.AI cs.LO
Computing Horn Rewritings of Description Logics Ontologies
University of Oxford(牛津大学)
我们研究的问题重写本体O1表示在DL L1到本体O2在霍恩DL L2,使O1和O2是equisatifiable扩展时,与任意数据集。允许这种重写的本体服从于推理技术,以确保数据复杂性的易处理性。在L1扩展ALCF时显示不可判定性后,我们专注于设计有效的可检查条件,以确保霍恩重写的存在。通过提升现有的技术,将析取数据重写成普通数据的情况下,任意一阶程序与功能符号,我们确定了一类本体,承认霍恩重写多项式的大小。我们的实验表明,许多现实世界的本体满足我们的充分条件,从而承认多项式霍恩重写。
2015-04-21 cs.AI cs.LO
LIME: Learning Inductive Bias for Primitives of Mathematical Reasoning
Vector Institute(向量研究所);University of Toronto(多伦多大学);Google Research(谷歌研究院);University of Cambridge(剑桥大学)
虽然在神经架构中设计感应偏置已经被广泛研究,但我们假设Transformer网络足够灵活,可以从合适的通用任务中学习感应偏置。在这里,我们通过以数据集的形式编码归纳偏差来取代架构工程。灵感来自皮尔士的观点,演绎,归纳和溯因推理的原语,我们设计了三个合成任务,旨在要求模型有这三个能力。我们专门设计这些任务是合成的,没有数学知识,以确保只有基本的推理偏见可以从这些任务中学习。这定义了一种新的预训练方法,称为“LIME”(Learning Inductive Bias for Mathematical REasoning)。使用LIME训练的模型在四个非常不同的大型数学推理基准测试中的表现明显优于vanilla Transformers。与传统预训练方法的计算成本不同,LIME只需要典型下游任务的一小部分计算成本。用于生成LIME任务的代码可以在https://github.com/tonywu95/LIME上获得。
2022-03-16 cs.AI cs.LG cs.LO
Enhancing Inductive Entailment Proofs in Separation Logic with Lemma Synthesis
提出了一种基于分离逻辑的引理综合方法,以支持高级归纳蕴涵过程。我们首先提出了一个引理自动证明和系统应用的机制。引理可以包括通用保护和/或未知谓词。虽然前者对于表达性至关重要,但后者对于支持多个谓词之间的关系至关重要。我们进一步引入引理合成来支持(i)自动归纳推理与框架推理以及(ii)定理探索。对于(i)我们在归纳证明过程中自动发现并证明辅助引理;对于(ii)我们自动生成一组有用的引理来关联用户定义或系统生成的谓词。我们已经实现了我们提出的方法到现有的验证系统,并测试其在归纳推理和定理探索的能力。实验结果表明,增强的系统可以自动合成有用的引理,以促进推理的广泛的非平凡归纳证明。
2018-05-12 cs.LO cs.PL
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
Temporal Inductive Logic Reasoning over Hypergraphs
Georgia Institute of Technology(佐治亚理工学院);Cisco(思科公司)
本文提出时序归纳逻辑推理方法TILR,通过多起点随机B游走和路径一致性算法在时序超图上学习逻辑规则,并发布两个新基准数据集,实验证明其推理能力优于多种强基线。
2024-05-05 cs.AI cs.LG cs.LO
Getting Saturated with Induction
本文综述将归纳推理直接集成到基于饱和的一阶定理证明框架 Vampire 中的推理规则与启发式策略,并通过实验验证其实际效果。
2024-02-29 cs.LO
Rewriting the Infinite Chase
保护元组生成依赖(GTGD)是描述逻辑和引用约束的自然扩展。人们早就知道,对GTGD的查询可以通过chase的一种变体来回答-这是一种典型的依赖推理技术。然而,很少有具体的算法,甚至更少的实施工作。为了解决这一差距,我们重新审视数据库重写方法的查询回答,GTGD被转换为一个数据库程序,需要在每个基本实例相同的基本事实。我们表明,重写可以被视为包含“捷径”规则,规避某些追逐步骤,我们提出了几种算法,计算重写模拟特定类型的追逐步骤,我们讨论了重要的实现问题。最后,我们的经验表明,我们的技术可以处理复杂的GTGD来自合成和真实的基准,因此适合于实际使用。
2022-12-16 cs.DB cs.LO
Nominal Equational Rewriting and Narrowing
本文首次定义等式理论取模下的标称重写与窄化,建立标称E-一致性并证明标称E-提升定理,为通过标称等式窄化实现正确的标称等式合一算法奠定理论基础。
2025-06-06 cs.LO cs.SC
Simplifying Safety Proofs with Forward-Backward Reasoning and Prophecy
Tel Aviv University(特拉维夫大学);University of Texas at Austin(德克萨斯大学奥斯汀分校);Weizmann Institute of Science(魏茨曼科学研究所)
本文提出一种增量方法,通过将复杂归纳不变量分解为更简单的证明步骤来简化安全证明。结合前向推理、后向推理和预言步骤,证明了每个规则的正确性,并展示了如何通过增量证明恢复安全不变量,从而减少证明安全性的不变量搜索空间。
2026-04-16 cs.LO cs.PL
SAT problem and Limit of Solomonoff's inductive reasoning theory
本文在Kolmogorov复杂性理论下探讨了SAT问题,提出并分析了布尔公式、图灵机和量子系统三个版本的可区分性问题,揭示了Solomonoff归纳推理理论的局限性,并探讨了电路模型与图灵机复杂性等价性对NP vs P问题的潜在影响。
2025-04-01 cs.CC cs.LO
Structured Abductive-Deductive-Inductive Reasoning for LLMs via Algebraic Invariants
DeepThought Solutions(深思科技);Department of Computer Science University of Florida(佛罗里达大学计算机科学系)
本文提出通过代数不变量实现LLMs的结构归纳-演绎-演绎推理框架,通过五种代数不变量确保推理链中结论的可靠性,防止逻辑不一致的累积。
2026-04-17 cs.AI cs.LG cs.LO
Reason Popper-ly: Patching In-Context Reasoning with Inductive Logic Programming
Vanderbilt University(范德堡大学)
研究针对思维链提示中间步骤逻辑不合理问题,提出Reason Popper-ly框架,用归纳逻辑编程学习规则作在线验证器校正步骤,在CLUTRR基准测试中提升了模型准确率,还产生细粒度错误分类法,优于完全外部符号管道。
2026-07-28 cs.AI cs.LO cs.SC
Sciduction: Combining Induction, Deduction, and Structure for Verification and Synthesis
University of California, Berkeley(加州大学伯克利分校)
即使在自动化的形式化方法令人印象深刻的进步,在系统验证和综合的某些问题仍然具有挑战性。例子包括验证软件的定量属性,包括对时间和能量消耗的约束,以及从规范中自动合成系统。主要的挑战包括环境建模、规范的不完整性以及底层决策问题的复杂性。本文提出了一种通过整合归纳推理、演绎推理和结构假设来应对这些挑战的方法。演绎推理,从一般规则或概念导出关于特定问题实例的结论,包括逻辑推理和约束求解等技术。归纳推理,从特定的实例中概括出一个概念,包括从例子中学习算法。结构假设用于定义工件的类别,例如在验证或合成过程中生成的不变量或程序片段。演绎使用结构假设来约束归纳和演绎推理,并积极地结合归纳和演绎推理:例如,演绎技术生成用于学习的示例,并且归纳推理用于指导演绎引擎。我们用三个应用来说明这种方法:(i)软件的时序分析;(ii)无循环程序的合成,以及(iii)混合系统的控制器合成。一些未来的应用进行了讨论。
2012-01-04 cs.AI cs.LO cs.PL
Chronosymbolic Learning: Efficient CHC Solving with Symbolic Reasoning and Inductive Learning
Mila(米拉研究所);McGill University(麦吉尔大学);University of Toronto(多伦多大学)
本文提出Chronosymbolic Learning框架,统一符号信息与数值数据点,结合数据驱动学习器和BMC风格推理器高效求解CHC,在288个基准上超越现有最优求解器。
2024-06-04 cs.AI cs.LG cs.LO
A Concurrent Program Logic with a Future and History
细粒度的乐观并发程序仍然是一个悬而未决的问题。现代程序逻辑提供了抽象机制和组合推理原则来处理固有的复杂性。然而,它们的使用主要局限于纸张和纸张或机械化的证明。我们设计了一个新的分离逻辑,面向缺乏自动化。虽然本地推理是众所周知的自动化是至关重要的,我们是第一个展示如何保持这种局部性(i)推理归纳属性,而不需要幽灵代码,和(ii)推理计算历史的事后诸葛亮。我们在一个工具中实现了我们的新逻辑,并使用它来自动验证具有挑战性的并发搜索结构,这些结构需要归纳属性和事后推理,例如Harris集。
2022-11-11 cs.LO cs.PL
CLUTRR: A Diagnostic Benchmark for Inductive Reasoning from Text
McGill University(麦吉尔大学);Montreal Institute of Learning Algorithms (Mila)(蒙特利尔学习算法研究所(Mila));Facebook AI Research (FAIR)(Facebook人工智能研究院(FAIR));Université de Montréal(蒙特利尔大学)
自然语言理解(NLU)系统最近的成功一直受到结果的困扰,这些结果强调了这些模型未能以系统和鲁棒的方式进行推广。在这项工作中,我们介绍了一个诊断基准套件,名为CLUTRR,澄清一些关键问题的鲁棒性和系统性的NLU系统。受归纳逻辑程序设计经典著作的启发,CLUTRR要求NLU系统推断短篇小说中人物之间的亲属关系。成功执行此任务需要提取实体之间的关系,以及推断控制这些关系的逻辑规则。CLUTRR允许我们通过评估逻辑规则的组合来精确地测量模型的系统泛化能力,并且它允许我们通过添加策划的噪声事实来评估模型的鲁棒性。我们的实证结果突出了最先进的NLU模型之间的巨大性能差距(例如,BERT和MAC)和一个直接与符号输入一起工作的图神经网络模型--基于图的模型表现出更强的泛化能力和更强的鲁棒性。
2019-09-04 cs.CL cs.LG cs.LO
GLIDR: Graph-Like Inductive Logic Programming with Differentiable Reasoning
Georgia Institute of Technology(佐治亚理工学院)
提出GLIDR可微规则学习方法,通过可微消息传递算法支持分支和循环等复杂逻辑规则结构,在知识图谱补全任务上显著优于现有方法且能与神经网络端到端联合优化。
2025-08-08 cs.AI cs.LG cs.LO
Proceedings of the Sixteenth Workshop on Logical Frameworks and Meta-Languages: Theory and Practice
逻辑框架和元语言形成了一个共同的基础,用于表示、实现和推理逻辑和计算机科学中感兴趣的各种演绎系统。它们的设计,实现和它们在推理任务中的使用,从软件的正确性到形式系统的属性,一直是过去二十年来大量研究的焦点。该研讨会汇集了设计师,实施者和从业人员,讨论影响逻辑框架结构和实用性的各个方面,包括变量绑定,归纳和共归纳推理技术的处理以及推理过程的表达性和清晰度。
2021-07-14 cs.AI cs.LG cs.LO
Post-Proceedings of the First International Workshop on Learning and Nonmonotonic Reasoning
知识表示与推理和机器学习是人工智能的两个重要领域。非单调逻辑程序设计(NMLP)和回答集程序设计(ASP)为常识知识的表示和推理提供了形式语言,实现了人工智能中的声明式问题求解。另一方面,归纳逻辑程序设计(ILP)在逻辑程序设计中实现了机器学习,为归纳学习提供了形式化的背景,并将其应用于关系学习和数据采掘等领域。一般来说,NMLP和ASP实现了非单调推理,但缺乏学习能力。相反,ILP实现了归纳学习,而大多数技术都是在经典单调逻辑下发展起来的。在这种背景下,一些研究者试图将各种技术结合到非单调ILP中。这样的组合将引入一个学习机制的程序,并将利用新的应用程序的NMLP侧,而在ILP侧,它将扩展的表示语言,使我们能够使用现有的求解器。学习和非单调推理之间的交叉也可以发生在诸如使用答案集求解器用于ILP、在运行答案集求解器时加速学习、学习动作理论、学习动力系统中的转换规则、溯因学习、学习具有抑制的生物网络以及涉及默认和否定的应用中。该研讨会是首次尝试提供一个公开论坛,以确定问题和讨论具有互补专长的研究人员之间可能的合作。该研讨会于2013年9月15日在西班牙Corunna举行。这篇论文集包含五篇技术论文(六篇被接受的论文中的五篇)和Luc De Raedt邀请演讲的摘要。
2013-11-19 cs.AI cs.LG cs.LO