OSCAR中的可废止推理
Defeasible Reasoning in OSCAR
摘要：
这是OSCAR可废止推理器的系统描述。
英文摘要：
This is a system description for the OSCAR defeasible reasoner.
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。
继续探索
相关论文
使用大型语言模型对可废止推理进行基准测试——初步实验与未来方向
Benchmarking Defeasible Reasoning with Large Language Models -- Initial Experiments and Future Directions
School of Computing and Engineering, University of Huddersfield（哈德斯菲尔德大学计算与工程学院）；Hellenic Mediterranean University（希腊地中海大学）；Leeds Beckett University（利兹贝克特大学）
本文提出一个可废止基于规则推理的基准，通过将可废止逻辑规则转化为文本，使用ChatGPT进行非单调推理初步实验并比较其推理模式。
cs.AI
描述逻辑中的可废止推理：DL ^N综述
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。
cs.AI
基于知识图谱的可废止推理
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。
cs.AI
DERELAB：用生成式基准测试探究大型语言模型中的可废止推理与确认偏差
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。
cs.AI
典型多值加权知识库中可废止推理的复杂性与scalability
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。
cs.AI
可处理推理与合取查询回答：基于理性闭包的缺陷DL-Lite
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。
cs.AI
更多相关论文收起更多论文
SROEL中的可废止推理：从理性蕴涵到理性闭包
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。
cs.AI
你能给我一个提示吗？可废止推理的推理图生成
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。
cs.AIcs.CL
概念上的可废止推理
Defeasible Reasoning on Concepts
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Xiamen University（厦门大学）
该研究在 KLM 框架下将 C、CL 推理系统及累积、有序、偏好模型推广到概念层面，并建立相应的可靠性与完备性结果。
cs.AIcs.LO
可废止逻辑偏好的修正
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。
cs.AI
怀疑缺省推理的局限性
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。
cs.AI
你想想看！通过首先对问题场景建模来改进可废止推理
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。
cs.AIcs.CL
自动化法律中的可撤销推理
Automating Defeasible Reasoning in Law
Singapore Management University（新加坡管理大学）
本文研究基于规则的系统中的可废止推理，特别是关于法律规范和合同。我们确定规则修饰符，指定规则如何交互以及如何覆盖它们。然后，我们定义规则转换，消除这些修饰符，最终导致规则到公式的转换。对于推理和规则，我们对比了两种方法，一种是在经典逻辑与SMT求解器作为证明引擎，一种是在非单调逻辑与答案集编程求解器。
cs.AIcs.LO
通过 Datalog$^\neg$ 进行可废止推理
Defeasible Reasoning via Datalog$^\neg$
Reasoning Research Institute（推理研究机构）
本文研究将可废止理论编译为 Datalog$^\neg$ 程序的问题，证明了其在可废止逻辑 $DL(\partial_{||})$ 中的正确性，并利用其结构特性支持高效实现与近似，同时适应不完整的程序实现。
cs.AIcs.LO
直觉与可废止推理的模型化：一些案例研究
Intuitions and the modelling of defeasible reasoning: some case studies
本文的目的是解决一些批评最近提出的约翰Horty在两篇文章中对有效性的两个普遍接受的可撤销推理模式，即恢复和浮动的结论。我将论证，尽管霍蒂的反例大大提高了我们对这些推理模式的理解，但它们并没有显示出它们的无效性。他们中的一些反映的模式，如果明确的形式化，避免不必要的推理，而不必放弃批评的推理原则。其他例子似乎涉及到关于特定问题的隐藏假设，如果这些假设被明确表示出来，只不过是击败可废止推理的额外信息。这些考虑将被放在一个更广泛的角度，通过反思的性质，可废止的推理原则的原则，合理的接受，而不是“真正的”逻辑推理。
cs.AIcs.LO
可废止描述逻辑的理论基础
Theoretical Foundations of Defeasible Description Logics
Stellenbosch University（斯泰伦博斯大学）；University of Cape Town（开普敦大学）；Maastricht University（马斯特里赫特大学）；University of Manchester（曼彻斯特大学）；CNRS（法国国家科学研究中心）
我们扩展描述逻辑（DL）与非单调推理功能。我们首先研究的概念，可废止包容的精神，可废止条件研究克劳斯，莱曼和Magidor在命题的情况下。特别是，我们认为一个自然和直观的语义可废止包容，并调查KLM风格的句法属性的优惠和合理的包容。我们的贡献包括两个代表性的结果连接我们的语义结构的优惠和合理的属性考虑。除了表明我们的语义是适当的，这些结果铺平了道路，更有效的决策程序，可废止推理的DL。事实上，我们还分析了问题的非单调推理的DL在蕴涵的水平，并提出了一个算法的合理关闭的可废止本体的计算。重要的是，我们的算法完全依赖于经典的蕴涵，并表明，计算复杂性的推理可废止的本体是不坏的推理在底层的经典DL ALC。
cs.AIcs.LO
在操作域中处理失败
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。
cs.AI
整合可废止论证与机器学习技术
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。
cs.AI
概念感知多优先轻量级DL中的ASP推理方法
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。
cs.AI
结构化辩论中的案例推理
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。
cs.AI
OSCAR：通过状态感知推理与重规划实现操作系统控制
OSCAR: Operating System Control via State-Aware Reasoning and Re-Planning
Université de Montréal（蒙特利尔大学）；Institut Courtois（库尔图瓦研究所）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
本文提出通用智能体 OSCAR，通过状态机、错误处理、动态重规划及 Python 代码生成控制 GUI，在桌面与移动基准上验证其跨应用任务执行能力。
cs.AIcs.CL
比较并扩展可废止论证与定量数据在现实世界情境中的应用
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。
cs.AI
避免语用奇性：一种自底向上的可废止道义逻辑
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。
cs.AIcs.LO
一个结合可废止论证和标签演绎的框架
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。
cs.AIcs.SC
ArgGYM：一个用于结构化可废止推理的程序化、引擎验证基准
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。
cs.AIcs.CL
读书虽好，但开车时不宜！关于可废止常识规范的可视化接地推理
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。
cs.AIcs.LG
关于可撤销$\textit{DL-Lite}_{\cal R}$推理的一个注记
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。
cs.AIcs.LO
一个面向模糊知识可能性论证的逻辑程序设计框架
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。
cs.AI
黑天鹅：不可预测事件中的溯因与可废止视频推理
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。
cs.AIcs.CV
LOGicalThought：面向高可信推理的大语言模型基于逻辑的本体奠基方法
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。
cs.AI
基于双层偏好语义的可废止条件义务（扩展版）
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。
cs.AIcs.LO
关于ASP中可废止的$\textit{DL-Lite}_{\cal R}$的推理
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）
cs.AIcs.LO
形式概念分析中的理性推理
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。
cs.AIcs.LO
视频大型多模态模型能否像怀疑者一样思考，还是加倍下注：关于可废止视频蕴含的研究
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。
cs.AIcs.CLcs.CV
本体论中的例外推理：从词典闭包到怀疑闭包
Reasoning about exceptions in ontologies: from the lexicographic closure to the skeptical closure
Università del Piemonte Orientale（东皮埃蒙特大学）；Università di Torino（都灵大学）
本体论中的异常推理是描述逻辑界目前面临的挑战之一。本文介绍了一种基于有理闭包的描述逻辑异常处理方法。有理闭包的优点是为例外推理提供了一种简单有效的方法，但它不允许独立处理概念的不同可废止属性的继承。在这项工作中，我们概述了这个问题的一个可能的解决方案，通过引入一个变体的字典编译闭包，我们称之为怀疑闭包，这需要构建一个单一的基地。我们开发了一个双偏好语义语义定义的表征的怀疑关闭。
cs.AI
CHAL：层次代理语言委员会
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。
cs.AIcs.LGcs.MA
思维叙述：大型语言模型中可废止伦理推理的推理时支架
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。
cs.AIcs.CLcs.CY
大型语言模型中的类指句与缺省推理
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。
cs.AIcs.CLcs.LO
通过ASP学习勇敢假设式论证框架
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。
cs.AIcs.LGcs.LO
