Avoiding Pragmatic Oddity: A Bottom-up Defeasible Deontic Logic
本文提出了一种扩展的可废止道义逻辑来处理语用奇性问题。该逻辑应用三个一般原则：（1）语用奇性问题必须在CTD推理的一般逻辑处理中解决;（2）必须采用非单调方法来处理CTD推理;（3）CTD推理的逻辑模型必须在计算上可行，并且如果可能的话，是有效的。可废止道义逻辑的拟议扩展阐述了Governatori和Rotolo（2019）提出的模型的初步版本。以前的解决方案是基于逻辑的（构造性的，自上而下的）证明理论的特定特征。然而，这种方法引入了一定程度的非确定性。为了避免这个问题，我们提供了一个自自底向上的【形】的逻辑特征。新的表征提供了见解的逻辑的有效实施，并允许我们建立的计算复杂性的问题。
2022-09-09 cs.AI cs.LO
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
Defeasible Reasoning with Knowledge Graphs
W3C/ERCIM
本文提出一种面向不完美知识的可废止推理表示法与模型，将其与论证理论关联，并探讨了声明式推理策略语法及大语言模型时代符号化方法的前景。
2023-09-22 cs.AI
Could you give me a hint? Generating inference graphs for defeasible reasoning
Carnegie Mellon University（卡内基梅隆大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
可废止推理是一种推理模式，其中结论可以通过考虑新的证据而被推翻。认知科学和逻辑文献中常用的方法是手工制作支持推理图的论证。虽然人类发现推理图对推理非常有用，但大规模构建它们是困难的。在本文中，我们自动生成这样的推理图，通过迁移学习从另一个NLP任务，共享推理图支持的推理。通过自动度量和人工评估，我们发现我们的方法为可废止推理任务生成了有意义的图。通过查阅生成的图表，人类在这项任务上的准确性提高了20%。我们的发现为机器推理可以帮助人类推理的案例开辟了令人兴奋的新研究途径。（每个可撤销查询的230，000个影响图的数据集位于：https：//tinyurl.com/defeasiblegraphs。
2021-05-29 cs.AI cs.CL
A Note on Reasoning on $\textit{DL-Lite}_{\cal R}$ with Defeasibility
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Technische Universität Wien（维也纳工业大学）
可废止信息的表示是描述逻辑中的一个重要问题，因为它涉及到在知识库中容纳例外实例的需要。在这个方向上，在我们以前的作品中，我们提出了一个数据库翻译推理（上下文）OWL RL知识库的概念，合理的例外可废止公理。虽然它涵盖了OWL的相关片段，但由此产生的推理过程需要复杂的编码，以便捕获对负面信息的推理。在本文中，我们考虑的情况下，知识库的$\textit{DL-Lite}_{\cal R}$，即语言的基础OWL QL。给出了具有可废止公理的$\textit{DL-Lite}_{\cal R}$知识库的定义，并研究了它们的性质。有限形式的$\textit{DL-Lite}_{\cal R}$公理允许我们制定一个更简单的编码到数据集（根据答案集语义）与直接规则推理的负面信息。由此产生的具体化方法产生了一个完整的推理过程，例如检查$\textit{DL-Lite}_{\cal R}$与可废止公理。
2019-05-22 cs.AI cs.LO
Think about it! Improving defeasible reasoning by first modeling the question scenario
Carnegie Mellon University（卡内基梅隆大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究院）
可废止推理是一种推理模式，其中结论可以通过考虑新的证据而被推翻。现有的关于可废止推理的认知科学文献表明，一个人在回答问题之前会形成一个问题场景的心理模型。我们的研究目标是询问神经模型是否可以在回答可撤销查询之前同样受益于设想问题场景。我们的方法是，给定一个问题，让模型首先创建一个相关影响的图，然后在回答问题时利用该图作为额外的输入。我们的系统，好奇，实现了一个新的国家的最先进的三个不同的可废止推理数据集。这一结果意义重大，因为它说明了可以通过引导系统“思考”问题并显式地对场景建模来提高性能，而不是反射性地回答。代码、数据和预训练模型位于https://github.com/madaan/thinkaboutit。
2021-10-24 cs.AI cs.CL
DERELAB: Probing Defeasible Reasoning and Confirmation Bias in LLMs with a Generative Benchmark
University of Utah（犹他大学）；Bangladesh University of Engineering and Technology（孟加拉工程技术大学）
本研究推出DeReLab生成式基准框架，评估9种大型语言模型，发现其普遍存在确认偏差，即易接受一致证据、抵制不一致更新，部分模型能识别弱化更新却不修正结论。
2026-09-01 cs.AI
Complexity and scalability of defeasible reasoning in many-valued weighted knowledge bases with typicality
Università della Calabria（卡拉布里亚大学）；Università del Piemonte Orientale（东皮埃蒙特大学）
加权知识库的描述逻辑的典型性下的“概念明智的”多优先语义提供了一个逻辑解释的多层感知器。在这种情况下，答案集编程（ASP）已被证明是适合于解决可撤销的推理在多值的情况下，提供了一个$Π^p_2$上限的问题的复杂性，但留下未知的确切的复杂性，只提供了一个概念验证的实现。本文通过提供一个$P^{NP[log]}$ -完备性结果和新的ASP编码来满足这一不足，该编码处理具有大搜索空间的加权知识库。
2023-03-27 cs.AI
Tractable Reasoning and Conjunctive Query Answering for Defeasible DL-Lite under Rational Closure
Istituto di Scienza e Tecnologie dell’Informazione, CNR - ISTI（意大利科学与技术信息研究所，CNR-ISTI）；University of Cape Town and CAIR（开普敦大学和CAIR）
本文研究理性闭包在DL-Lite轻量级描述逻辑核心与Horn变体上的应用，提出一种基于经典推理器的插件架构，实现高效推理与合取查询回答。
2026-06-24 cs.AI
Defeasible Conditional Obligation in a Two-tiered Preference-based Semantics (Extended Version)
Technische Universität Wien (TU Wien)（维也纳技术大学）
本文提出一种双层偏好语义框架，通过结合非单调推理机制和双序关系（理想性与正常性），解决可废止条件义务的逻辑建模问题，并与约束输入/输出逻辑建立联系。
2026-06-28 cs.AI cs.LO
Defeasible Reasoning in SROEL: from Rational Entailment to Rational Closure
Università del Piemonte Orientale（东皮埃蒙特大学）
在这项工作中，我们研究了一个合理的扩展$SROEL^R T$的低复杂度描述逻辑SROEL，这是OWL EL本体语言的基础。该扩展涉及一个典型性算子T，其语义基于Lehmann和Magidor的排名模型，并允许定义可废止包含。我们考虑了理性蕴涵和最小蕴涵。我们表明，决定最小蕴涵下的实例检查一般是$Π^P_2$ -硬，而在合理的蕴涵，实例检查可以计算在多项式时间。我们开发了一个Datasheet演算，例如检查下的合理蕴涵和利用它，分层否定，计算合理的封闭的简单KB在多项式时间。
2018-03-23 cs.AI
Reasoning on $\textit{DL-Lite}_{\cal R}$ with Defeasibility in ASP
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Technische Universität Wien（维也纳工业大学）
关于可废止知识的推理是描述逻辑领域的一个研究课题，因为它涉及到在知识库中表示例外实例的需要。在这个方向上，在我们以前的作品中，我们提出了一个框架表示（上下文）OWL RL知识库的概念，合理的例外可废止公理：在这样的框架中的推理是通过翻译到ASP程序实现的。然而，OWL RL的推理过程引入了复杂的编码，以捕获对异常推理所需的负面信息的推理。在本文中，我们将合理例外方法应用于$\textit{DL-Lite}_{\cal R}$中的知识库，即，OWL QL的基础语言。给出了具有可废止公理的$\textit{DL-Lite}_{\cal R}$知识库的定义，并研究了其语义和计算性质。特别是，我们研究了对未命名的个人的异常的影响。有限形式的$\textit{DL-Lite}_{\cal R}$公理允许我们制定一个更简单的ASP编码，其中推理的负面信息管理的直接规则。由此产生的具体化方法产生了一个完整的推理过程，例如检查$\textit{DL-Lite}_{\cal R}$与可废止公理。逻辑程序设计理论与实践（TPLP）
2021-06-30 cs.AI cs.LO
Rational Inference in Formal Concept Analysis
University of Cape Town and CAIR（开普敦大学和CAIR）；TU Dresden（德累斯顿技术大学）；Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI)（可扩展数据与人工智能中心（ScaDS.AI））
本文在形式概念分析中构建KLM框架，实现可废止推理，并论证其提供更具上下文关联的推理，能得出更相关结论。
2025-04-07 cs.AI cs.LO
Revision of Defeasible Logic Preferences
University of Verona（维罗纳大学）；NICTA（国家信息与通信技术研究院）；Griffith University（格里菲斯大学）
有几种非单调推理的情况下，建立规则之间的优先级，其目的是防止冲突。一种被广泛用于非单调推理的形式主义是被称为可废止逻辑的怀疑主义。在可废止逻辑中，用于冲突解决的工具是规则之间的偏好关系，它建立了规则之间的优先级。在本文中，我们研究如何修改这样的偏好关系在一个可废止逻辑理论，以改变理论本身的结论。我们认为，我们采用的方法是适用于法律推理，用户，在一般情况下，不能改变事实或规则，但可以提出他们的偏好的相对强度的规则。我们提供了一个全面的研究可能的组合情况下，我们确定和分析的情况下，修订过程是成功的。在此分析之后，我们确定了三个修订/更新运营商，并研究他们对AGM假设的信念修订运营商，发现只有一部分这些假设是满足的三个运营商。
2012-11-23 cs.AI
Limitations of Skeptical Default Reasoning
University of Manchester（曼彻斯特大学）
普尔已经证明了非单调逻辑不能正确地处理彩票悖论。在本文中，我们将表明，波洛克的理论，可废止推理失败的原因是相同的：可废止推理是不兼容的怀疑概念的可推导性。
2013-02-06 cs.AI
Handling Defeasibilities in Action Domains
可废止性的表示是常识推理中的一个重要问题。在关于动作和变化的推理中，这个问题变得更加困难，因为与领域和动作相关的可废止信息可能与一般的惯性规则相冲突。此外，在推理过程中，不同类型的可废止信息也可能相互干扰。在本文中，我们开发了一个优先级逻辑编程方法来处理失败的推理行动。特别地，我们提出了三种动作语言{ \cal AT}^{0}、{ \cal AT}^{1}和{ \cal AT}^{2}，它们分别处理动作域中的三种类型的失效，即失效约束、失效观测和具有失效和异常效应的动作。每一种带有较高上标的语言都可以被看作是带有较低上标的语言的扩展。这些动作语言继承了{ \cal A}语言的简单语法，但它们的语义是根据转换系统开发的，其中转换函数是基于优先级逻辑程序定义的。通过说明各种例子，我们表明，我们的方法最终提供了一个强大的机制来处理时间预测和postdiction中的各种defaetness。我们还调查了这三个动作语言的语义特性和动作域的特征类，提出了更理想的解决方案，在推理行动的基础动作语言。
2002-06-03 cs.AI
Integrating Defeasible Argumentation and Machine Learning Techniques
机器学习（ML）领域关注的是如何构建根据经验自动改进的算法的问题。近年来，许多成功的ML应用程序已经开发，如数据挖掘程序，信息过滤系统等，虽然ML算法允许检测和提取有趣的数据模式的几种问题，这些算法中的大多数是基于定量推理，因为它们依赖于训练数据，以推断所谓的目标函数。在过去的几年中，可废止论证已被证明是一个健全的设置，以形式化常识定性推理。这种方法可以与其他推理技术相结合，例如由机器学习理论提供的那些技术。在本文中，我们概述了不同的替代方案相结合的可废止论证和机器学习技术。我们建议如何不同方面的一个通用的基于参数的框架可以与其他ML为基础的方法。
2004-05-28 cs.AI
An ASP approach for reasoning in a concept-aware multipreferential lightweight DL
DISIT
在本文中，我们开发了一个概念感知的多偏好语义处理典型性的描述逻辑，偏好与概念，从一个集合的排名TBoxes包含可废止的概念夹杂物。偏好被组合以定义偏好解释，在该解释中可以评估可废止包含。概念感知多偏好语义的构建与Brewka的定性偏好框架有关。我们利用答案集编程（特别是，asprin）实现可撤销推理下的轻量级描述逻辑EL+bot的多偏好方法。该文件正在考虑被TPLP接受。
2020-08-08 cs.AI
A Framework for Combining Defeasible Argumentation with Labeled Deduction
在过去的几年里，对各种逻辑系统的需求不断增加，主要是由于人工智能和其他相关领域的逻辑应用。标记演绎系统（LDS）是一种灵活的方法，可以形式化这类复杂的逻辑系统。可废止论证已被证明是一个成功的方法来形式化的常识推理，包括许多其他的可废止推理的形式主义。基于参数的框架共享一些共同的概念（例如参数的概念，defeater等）。以及一些特殊的特征，这些特征使得很难从逻辑的角度将它们彼此进行比较。本文介绍了LDSar，一个可废止论证的LDS，其中许多重要的问题，可废止论证捕获在一个统一的逻辑框架。我们还讨论了一些逻辑属性和扩展，出现从建议的框架。
2004-05-27 cs.AI cs.SC
ArgGYM: A Procedural, Engine-Verified Benchmark for Structured Defeasible Reasoning
Graduate School of Informatics（信息学研究生院）；Middle East Technical University（中东技术大学）
ArgGYM是一个程序化、引擎验证的基准，用于结构化可废止推理，包含1,440个实例和十五种课程配置，支持RLVR训练，揭示了模型在复杂推理任务中的性能差异。
2026-10-01 cs.AI cs.CL
Reading Books is Great, But Not if You Are Driving! Visually Grounded Reasoning about Defeasible Commonsense Norms
Seoul National University（首尔大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Yonsei University（延世大学）；University of Washington（华盛顿大学）
针对视觉情境下可废止常识规范推理的挑战，构建NORMLENS基准并发现现有模型与人类判断对齐不足，提出从大语言模型提炼社会常识知识以改进对齐。
2023-11-11 cs.AI cs.LG
Reasoning by Cases in Structured Argumentation
Ruhr University Bochum（波鸿鲁尔大学）
我们扩展了结构化论证的$ASPIC^+$框架，以便允许应用的情况下，推理方案的可废止的参数。给定一个带有结论“$A$ or $B$”的论证，一个基于$A$带有结论$C$的论证，以及一个基于$B$带有结论$C$的论证，我们允许构造一个带有结论$C$的论证。我们展示了我们的框架如何导致不同的结果比其他方法在非单调逻辑处理析取信息，如析取默认理论或方法的基础上的OR规则（允许导出一个可废止的规则“如果（$A$或$B$），然后$C$”，给出两个可废止的规则“如果$A$，然后$C$”和“如果$B$，然后$C$”）。我们提出了新的问题，推理的微妙之处defeably与析取信息，并表明其形式化是更复杂的比一个人会假设。
2017-03-24 cs.AI
Comparing and extending the use of defeasible argumentation with quantitative data in real-world contexts
Technological University Dublin（都柏林理工大学）
本研究评估可废止论证在非单调推理中的推理能力，与模糊推理和专家系统基线比较，应用于维基百科编辑者信任推断，证明其鲁棒性并公开实现。
2022-06-28 cs.AI
Black Swan: Abductive and Defeasible Video Reasoning in Unpredictable Events
University of British Columbia（不列颠哥伦比亚大学）；Vector Institute for AI（Vector人工智能研究院）；Nanyang Technological University（南洋理工大学）
本文提出BlackSwanSuite基准，通过溯因与可废止任务评估视觉语言模型在不可预测事件中的推理能力，发现当前模型与人类存在高达32%的性能差距。
2025-04-07 cs.AI cs.CV
Plausible Reasoning and First-Order Plausible Logic
School of Information and Communication Technology, Nathan campus, Griffith University, Brisbane, Queensland 4111, Australia（信息与通信技术学院，纳瑟恩校区，格里菲斯大学，布里斯班，昆士兰4111，澳大利亚）
本文提出了一种满足大部分可接受原则的一阶逻辑PL，用于正确推理可能推理的例子，同时概述了17条逻辑原则及其中的14条必要原则和3条可欲原则。
2026-04-21 cs.AI cs.LO
A Logic Programming Framework for Possibilistic Argumentation with Vague Knowledge
University of Lleida（莱里达大学）；Universidad Nacional del Sur（南方国立大学）；IIIA – CSIC（西班牙国家研究委员会人工智能研究所）
可废止的论证框架已经发展成为一个健全的设置，从不完整的和潜在的不一致的知识形式化常识，定性推理。可废止逻辑程序设计（DeLP）是一种基于逻辑程序设计扩展的可废止论证形式。虽然DeLP已经成功地集成在许多不同的现实世界的应用程序，DeLP不能处理明确的不确定性，也不与模糊的知识，因为可解除性是直接编码在对象语言。本文介绍了P-DeLP，一种新的逻辑程序设计语言，扩展了原来的DeLP定性推理的能力，将处理可能性的不确定性和模糊知识。这些功能将正式的基础上PGL，可能性逻辑的基础上哥德尔模糊逻辑。
2012-07-11 cs.AI
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
Can Video Large Multimodal Models Think Like Doubters-or Double-Down: A Study on Defeasible Video Entailment
Department of Computer Science（计算机科学系）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
本研究提出可废止视频蕴含（DVidE）任务，通过反事实思维链框架和ASR+LLM生成框架，增强视频大型多模态模型的动态推理能力，并构建基准数据集验证有效性。
2025-10-07 cs.AI cs.CL cs.CV
Generics and Default Reasoning in Large Language Models
University of Oxford（牛津大学）；Magdalen College（玛格丽特学院）；University of Hong Kong（香港大学）
本文评估28个LLM在20种类指概括可废止推理模式上的表现，发现模型间差异大，CoT提示常导致性能显著下降，多数模型难以区分可废止与演绎推理，揭示了当前LLM在缺省推理上的能力边界。
2025-08-19 cs.AI cs.CL cs.LO
A framework for a modular multi-concept lexicographic closure semantics
DISIT - Università del Piemonte Orientale（皮埃蒙特东方大学）
我们定义了一个模块化的多概念扩展的词典闭包语义的可废止的描述逻辑的典型性。其思想是将概念的可废止属性根据其主题分布到不同的模块中，并基于词典闭包语义为每个模块定义一个偏好概念。然后，知识库的偏好语义可以被定义为单个模块的偏好的组合。从细粒度到粗粒度模块的可能性范围提供了一系列替代语义。
2020-09-04 cs.AI
Multi-Agent Debate for Belief Optimization in Defeasible Domains
CHAL框架通过将辩论视为信念优化过程，改进了LLM在可反驳领域中的推理能力，通过层次代理结构和可审计的信念记录，实现了更透明和可解释的多代理辩论系统。
2026-10-27 cs.AI cs.LG cs.MA
Narration-of-Thought: Inference-Time Scaffolding for Defeasible Ethical Reasoning in Large Language Models
Department of Computer Science（计算机科学系）；University of Colorado Boulder（科罗拉多大学博尔德分校）
针对道德困境中标准思维链的两种失败模式，提出思维叙述（NoT）系统提示，将思维链结构化为五个部分，无需训练即可大幅减少利益相关者崩溃和不确定性抑制，并通过消融实验和跨家族训练法官验证其有效性。
2026-07-10 cs.AI cs.CL cs.CY
Learning Brave Assumption-Based Argumentation Frameworks via ASP
CNR-IASI（意大利国家研究委员会信息系统与信息学研究所）；Imperial（帝国理工学院）
本文研究从背景知识和正负示例中自动化学习假设式论证框架，提出基于转换规则和答案集编程的勇敢推理算法，并与最先进的ILP系统比较。
2024-11-08 cs.AI cs.LG cs.LO
Default reasoning over domains and concept hierarchies
W.C.圆和G。- Q. Zhang（2001）提出研究一种推广到代数域的析取逻辑编程形式。该系统允许推理的信息是分层结构，并形成一个（合适的）域。我们扩展这个框架，包括推理与默认否定，从而产生一个新的非单调推理框架的层次知识，其中包括答案集编程与扩展的析取逻辑程序。我们还表明，层次结构的知识，编程在这种模式下可以做的，产生非常自然的正式概念分析。总之，我们得到了一个默认的推理范式的概念知识，这是根据非单调推理的主流发展。
2004-09-01 cs.AI cs.LO
Context Is Not Comprehension
UNSW Business School（新南威尔士大学商学院）；UNSW AI Institute（新南威尔士大学人工智能研究院）
本研究提出Verbose ListOps（VLO）基准，将确定性计算嵌入叙事伪装以支持步骤级推理评估，发现高召回率LLM在长文本多步推理中性能骤降，为以推理为核心的模型设计提供可复用测试平台。
2025-06-12 cs.AI cs.CL cs.IR
Distilling LLM Reasoning into Graph of Concept Predictors
本文提出GCP框架，通过外部化教师决策过程为有向无环图，提升样本效率和训练稳定性，实验证明在有限标注预算下提升性能并增强可解释性。
2026-10-02 cs.AI
A Cognitively-Inspired Neural Architecture for Visual Abstract Reasoning Using Contrastive Perceptual and Conceptual Processing
Vanderbilt University（范德堡大学）
受人类认知启发，提出一种将视觉抽象推理建模为迭代自对比学习过程的 CPCNet 架构，在 RAVEN 数据集上以最弱归纳偏置实现最高准确率，并提出了类别更平衡的 AB-RAVEN 变体。
2023-10-20 cs.AI
Analogical Reasoning Within a Conceptual Hyperspace
Tufts University（塔夫茨大学）
本文提出一种结合超维度计算（HDC）与概念空间理论（CST）的神经符号架构，实现了CST分类下的多种类比推理计算，并在玩具领域验证了其基于类别与属性的推理能力。
2024-11-13 cs.AI
Reasoning about Unmodelled Concepts - Incorporating Class Taxonomies in Probabilistic Relational Models
Institute for Artificial Intelligence（人工智能研究所）；University of Bremen（不来梅大学）
一阶概率方法应用中的一个关键问题是它们隐含的图形模型的巨大尺寸。大小是由对象和关系的域生成的可能世界产生的。这种爆炸的原因之一是，到目前为止，这些方法没有充分利用可能世界的结构和相似性，以便更复杂地编码模型。我们提出了模糊推理的马尔可夫逻辑网络，这使得使用的分类知识作为一个源的结构强加到可能的世界。我们表明，通过利用这种结构，概率分布可以表示更companies和推理系统变得能够推理的概念不包含在概率知识库。
2015-04-21 cs.AI
Method for the semantic indexing of concept hierarchies, uniform representation, use of relational database systems and generic and case-based reasoning
TU Dresden（德累斯顿工业大学）；Frauenhofer Institut für Intelligente Analyse und Informationssysteme IAIS（弗劳恩霍夫智能分析与信息系统研究所IAIS）
本文提出一种概念层级语义索引方法，通过计算键实现概念部分合一，保证语义正确性，并利用关系数据库存储实例，支持基于案例的推理与通用问题求解。
2025-01-19 cs.AI
Paraconsistent Foundations for Probabilistic Reasoning, Programming and Concept Formation
有人认为，4值次协调真值（这里称为“p位”）可以作为高度AI相关形式的概率逻辑和概率编程和概念形成的概念，数学和实践基础。首先，它表明，适当的平均跨情况和重整化的4值p位操作根据可构造的对偶（CD）逻辑产生PLN（概率逻辑网络）的强度和置信度的真值。然后，Curry-Howard对应的变化被用来映射这些次协调和概率逻辑到概率类型适合于使用依赖类型的程序设计语言。将Zach Weber的次协调分析扩展为概念边界的次协调/概率/模糊分析，并基于次协调概率分布的相对熵定义了模糊属性-价值度，给出了一种基于形式概念分析的次协调概念形成方法.通过参考OpenCog AGI框架中概率推理和编程以及概念形成的实现，这些一般性观点得以充实，该框架以公共知识元数据的协作多算法更新为中心。
2021-01-14 cs.AI
ReCBM: Uncertainty-Gated Relational Reasoning for Concept Bottleneck Models
本文针对概念瓶颈模型（CBMs）在不可靠概念状态下鲁棒推理不足的问题，提出ReCBM框架，引入语义概念关系并以不确定性调节概念贡献，在多数据集实验中验证了其在概念异常场景下的性能与紧凑概念子集提取能力。
2026-08-12 cs.AI cs.CV
Reasoning for ALCQ extended with a flexible meta-modelling hierarchy
Universidad de la República（共和国大学）；University of Leicester（莱斯特大学）
这项工作的动机是一个现实世界的案例研究，它是必要的，通过Meta建模集成和相关现有的本体。为此，我们介绍了描述逻辑ALCQM，这是从ALCQ通过添加语句，等同于个人的知识库中的概念。在这个新的扩展中，一个概念可以是另一个概念（称为元概念）的个体，而另一个概念本身又可以是另一个概念（称为Meta元概念）的个体等等。
2014-10-29 cs.AI
Selecting Attributes for Sport Forecasting using Formal Concept Analysis
Universidad de Huelva（韦尔瓦大学）；Universidad de Sevilla（塞维利亚大学）
为了解决复杂系统，将模式识别应用于它们的演化可以发挥关键作用，以了解它们的动态。需要全球模式来检测新出现的概念和趋势，其中一些具有定性性质。形式概念分析（FCA）是一种从定性数据中发现和提取知识的理论。它提供了使用蕴涵基（和关联规则）进行推理的工具。蕴涵和关联规则是有用的推理先前选定的属性，提供了一个形式化的基础，逻辑推理。在本文中，我们分析了如何应用FCA推理，以提高体育博彩的信心，通过检测时间的数据。并将其应用于建立一个基于知识的置信推理系统。
2011-08-04 cs.AI
Plausible Reasoning about EL-Ontologies using Concept Interpolation
Cardiff University（卡迪夫大学）
描述逻辑（DL）是用于建模本体（即关于概念及其之间关系的知识）的标准知识表示语言。不幸的是，DL本体很难从数据中学习，并且手动编码耗时。因此，广泛领域的本体几乎不可避免地是不完整的。近年来，已经提出了一些数据驱动的方法来自动扩展这样的本体。一类方法依赖于从文本描述导出的概念的表征。虽然这种表征不直接捕获本体知识，但它们编码了关于不同概念之间的相似性的信息，这些信息可以用于填补现有本体中的空白。为此，已经提出了几种归纳推理机制，但这些都是以启发式的方式定义和使用的。在本文中，我们提出了一个归纳推理机制，它是基于一个明确的模型理论语义，因此可以紧密结合标准的演绎推理。我们特别关注插值，这是一个强大的常识推理机制，它与基于类别的归纳的认知模型密切相关。除了形式化的基本语义，作为我们的主要技术贡献，我们提供了计算复杂性界限EL推理与此插值机制。
2020-06-25 cs.AI
ConceptMath: A Bilingual Concept-wise Benchmark for Measuring Mathematical Reasoning of Large Language Models
Alibaba Group（阿里巴巴集团）；The Chinese University of Hong Kong（香港中文大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出双语概念粒度基准 ConceptMath，揭示大语言模型在不同数学概念上的性能差异，并提出高效微调策略以增强薄弱环节。
2024-02-23 cs.AI cs.CL
Weakly supervised concept Bottleneck Learning for Robust Two stage Object centric visual reasoning
University of Lübeck（吕贝克大学）；Ulm University（乌尔姆大学）；University of Bamberg（班贝格大学）
针对两阶段视觉推理需昂贵标注的问题，提出动态正交概念瓶颈（D-OCB）框架，在极弱监督下提取对齐人类的符号谓词，通过动态超参数分配、子空间相关性惩罚及动态维度分配，实现高概念对齐与下游推理准确率，性能媲美或优于端到端范式。
2026-08-25 cs.AI
Retrieval-Infused Reasoning Sandbox: A Benchmark for Decoupling Retrieval and Reasoning Capabilities
Full author list in Contributions（完整作者列表）
DeR2通过解耦检索与推理能力，提供了一种评估大语言模型处理新颖科学信息能力的基准测试方法。
2026-01-30 cs.AI
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
CORE: Concept-Oriented Reinforcement for Bridging the Definition-Application Gap in Mathematical Reasoning
University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）；Arizona State University（亚利桑那州立大学）
CORE通过引入概念导向的强化学习框架，解决大语言模型在数学推理中概念应用不足的问题，通过合成概念对齐习题和注入概念片段提升模型的推理能力。
2026-05-07 cs.AI 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
Concept Flow Models: Anchoring Concept-Based Reasoning with Hierarchical Bottlenecks
Fraunhofer Institute for Open Communication Systems（弗劳恩霍夫开放通信系统研究所）；Freie Universität Berlin（柏林自由大学）
提出概念流模型（CFM），用层次化概念决策树替代扁平瓶颈，通过逐步缩小预测范围减少信息泄露，在保持预测性能的同时提升可解释性。
2026-06-19 cs.AI cs.LG
Revealing Combinatorial Reasoning of GNNs via Graph Concept Bottleneck Layer
Tongji University, Shanghai, China（同济大学）；City University of Macau, Macau, China（澳门城市大学）
本文提出图概念瓶颈层，通过将概念视为图词并利用语言模型学习嵌入，提升GNNs的组合推理可解释性与性能。
2026-03-02 cs.AI cs.LG
How are Scientific Concepts Birthed? Typing Rules of Concept Formation in Theoretical Physics Reasoning
本文以类型论形式化理论物理中的概念形成机制，通过爱因斯坦两个历史案例验证认知类型规则，并将时间相对性的概念发现重构建模为程序综合任务。
2025-09-12 cs.AI physics.hist-ph
