arXivDaily arXiv每日学术速递 周一至周五更新
arXiv周末暂无论文更新,休息一下吧,周末愉快~~
arXiv 2602.18956cs.AI
收藏

INDUCTION: 一阶逻辑中的有限结构概念合成

INDUCTION: Finite-Structure Concept Synthesis in First-Order Logic

Independent Researcher(独立研究者)

Serafim Batzoglou

AI总结:

提出INDUCTION基准,用于一阶逻辑中有限结构的概念合成,通过精确模型检查验证公式的正确性,并发现低冗余公式在未见世界上的泛化能力更强。

摘要:

我们引入了INDUCTION,这是一个用于一阶逻辑中有限结构概念合成的基准。给定具有外延标记目标谓词的小型有限关系世界,模型必须输出一个单一的一阶逻辑公式,该公式统一解释所有世界中的目标,并通过精确模型检查验证其正确性。该基准包括三个设置:FullObs、CI(对比)和EC(存在性完成),并对公式冗余进行惩罚。我们发现了尖锐的难度梯度、持久的困难结构族,并观察到低冗余公式在未见世界上的泛化能力远优于高冗余公式。最新的精英模型在不同任务和性能指标上表现出定性不同的行为,暗示了它们不同的概念泛化策略。

英文摘要:

We introduce INDUCTION, a benchmark for finite structure concept synthesis in first order logic. Given small finite relational worlds with extensionally labeled target predicates, models must output a single first order logical formula that explains the target uniformly across worlds, with correctness verified via exact model checking. The benchmark includes three regimes, FullObs, CI (contrastive), and EC (existential completion), nd penalizes formula bloat. We find sharp difficulty gradients, persistent hard structural families, and observe that low bloat formulas generalize far better on held out worlds. Elite recent models show qualitatively different behaviors across tasks and performance metrics, hinting to their different strategies of concept generalization.

机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。

↑