Towards Statistical Reasoning in Description Logics over Finite Domains (Full Version)
Free University of Bozen-Bolzano（博尔扎诺-博岑自由大学）；University of Osnabrück（奥斯纳布吕克大学）
我们提出了一个概率扩展的描述逻辑$\mathcal{ALC}$的统计知识的推理。我们认为条件语句的域的比例，这些比例的概率逻辑后果感兴趣。在介绍了一些一般的推理问题并分析了它们的性质之后，我们首先给出了在统计$\mathcal{ALC}$的某些片断上的推理算法和复杂性结果。
2017-06-10 cs.AI cs.LO
Reasoning with Individuals for the Description Logic SHIQ
虽然已经有大量的工作，推理算法的发展表达描述逻辑，在大多数情况下，只有Tbox推理被认为是。本文提出了一种在SHIQ描述逻辑中进行Tbox和Abox组合推理的算法。该算法特别令人感兴趣，因为它可用于决定（数据库）合取查询包含w.r. t的问题一种模式。此外，高效实现的实现应该相对简单，因为它可以基于FaCT系统中Tbox算法的现有高度优化的实现。
2000-05-11 cs.AI cs.LO
LPAR-05 Workshop: Empirically Successfull Automated Reasoning in Higher-Order Logic (ESHOL)
这个研讨会汇集了实践者和研究人员谁是参与基于高阶逻辑的逻辑系统的日常方面。我们希望为围绕以下四个主题的讨论创造一个友好和高度互动的环境。实现和开发基于任何不可预测性概念的证明助手，高阶逻辑推理系统的自动定理证明工具，高阶逻辑中证明表示的逻辑框架技术，用于存储，维护和查询证明数据库的正式数字图书馆。我们设想与会者有兴趣促进高阶逻辑推理系统的发展和可见性。我们特别感兴趣的是讨论高阶版本的TPTP的发展和自动化高阶推理系统的实用优势的比较。此外，研讨会还包括系统演示。ESHOL是在CADE 2005和IJCAR 2004举办的ESCAR和ESFOR研讨会的继承者。
2006-01-10 cs.AI cs.LO
Interpolation Theorems for Nonmonotonic Reasoning Systems
克雷格插值定理（Craig's interpolation theorem，Craig 1957）是命题逻辑和一阶逻辑中的一个重要定理。它说，如果一个逻辑公式$β$在逻辑上从一个公式$α$得出，那么就有一个公式$γ$，只包括出现在两个$α,β$中的符号，这样$β$在逻辑上从$γ$得出，而$γ$在逻辑上从$α$得出。这样的定理对于理解它们所处的逻辑以及加速用这些逻辑中的理论进行推理是重要和有用的。在本文中，我们提出了插值定理在这种精神的三个非单调系统：限制，默认逻辑和逻辑程序的稳定模型语义（a.k.a.）。答案集语义）。这些结果使我们更好地理解这些逻辑，特别是与它们的非单调特性相比。他们认为，一些\emph{monotonicity}原则持有，尽管这些逻辑的经典单调性失败。此外，它们有时允许我们使用这些系统的推理分解方法，可能会增加它们的适用性和易处理性。最后，它们允许我们构建使用这些逻辑的结构化表示。
2002-07-16 cs.AI cs.LO
Principles and Examples of Plausible Reasoning and Propositional Plausible Logic
Griffith University（格里菲斯大学）
似是而非的推理涉及的情况，其固有的缺乏精确性是没有量化的;也就是说，没有程度或水平的精确性，因此没有使用数字，如概率。一个希望全面的原则，阐明了什么是一个形式逻辑做似是而非的推理。定义了一种新的命题逻辑，称为命题似然逻辑（PPL），并将其应用于一些重要的例子。PPL是我们所知道的唯一一个满足所有原则并对所有示例进行正确推理的非数值非单调逻辑。证明了关于PPL的一些重要结果。
2017-04-03 cs.AI cs.LO
Probabilistic Reasoning in the Description Logic ALCP with the Principle of Maximum Entropy (Full Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Osnabrück（奥斯纳布吕克大学）
知识表示的核心问题是如何对不确定性知识进行合理的编码和处理。我们介绍的概率描述逻辑ALCP，是专为表示上下文相关的知识，其中发生的实际情况是不确定的。ALCP允许对域的逻辑依赖和对可能上下文的概率依赖的表达。为了得出概率结论，我们采用最大熵原理。我们提供了推理算法，这种逻辑，并表明它满足概率逻辑的几个理想的属性。
2016-06-30 cs.AI cs.LO
From Propositional Logic to Plausible Reasoning: A Uniqueness Theorem
Adobe Systems（Adobe系统公司）
我们考虑了将命题逻辑扩展为似然推理逻辑的问题，以及任何这样的扩展应满足的四个要求。每一个都要求经典命题逻辑的某些性质在扩展逻辑中得到保留;因此，这些要求比考克斯定理及其变体中使用的要求更简单，问题更少。与考克斯定理一样，我们的要求意味着扩展逻辑必须同构于（有限集）概率论。我们还得到了概率的具体数值，恢复了概率作为定理的经典定义，满足前提的真值分配扮演了“可能情况”的角色。"
2017-06-16 cs.AI cs.LO
Towards AI Logic for Social Reasoning
Zhejiang University（浙江大学）；University of Luxembourg（卢森堡大学）
人工智能逻辑对智能主体推理进行形式表征。在本文中，我们讨论了如何使用基于论证的人工智能逻辑来形式化社会推理的重要方面。除了推理个体代理人的知识和行为之外，社会AI逻辑还可以推理代理人之间的社会依赖性，使用代理人的权利、义务和许可。我们讨论了社交AI逻辑的四个方面。首先，我们讨论了权限如何表示智能主体的义务和权限之间的关系。其次，我们讨论了如何论证知情权，这是最近隐私和伦理讨论的一个中心问题。第三，我们讨论了如何通过比较形式化参数来识别和（有时）解决智能主体之间的各种冲突。重要的是，为了涵盖日常生活中发生的各种各样的争论，谬误的争论也可以被表现出来并进行推理。第四，我们讨论了如何论证智能主体的行动自由。来自社会、法律和伦理推理的例子突出了发展社会AI逻辑的挑战。对这四个挑战的讨论引出了一个基于争论的社会人工智能逻辑的研究计划，为人工智能逻辑的未来发展做出了贡献。
2021-10-09 cs.AI cs.LO
Stream Reasoning on Expressive Logics
Işık University（伊什克大学）
数据流广泛存在于各种现实应用中。目前对流数据的研究主要集中在对流数据的数据管理、查询评价和优化等方面，而对流知识库在断言和术语两个层次上的推理过程的研究非常有限。通常，大型知识库上的推理服务非常昂贵，并且当数据作为流接收时需要连续应用。因此，需要新的技术来优化这个连续的过程，以开发高效的流数据推理机。在本文中，我们综述了相关的研究表达逻辑推理，可以应用于这一设置，并指出在这一领域的进一步研究方向。
2018-08-15 cs.AI cs.LO
Non-Axiomatic Term Logic: A Computational Theory of Cognitive Symbolic Reasoning
Tokyo Institute of Technology（东京工业大学）
本文提出了非公理化项逻辑（NATL）作为人工智能中类人符号推理的理论计算框架。NATL统一了一个离散的句法系统，灵感来自亚里士多德的术语逻辑和一个连续的语义系统，基于现代的分布式表示或嵌入的思想。本文将所提出的方法定位在逻辑学的发展史和文献中，并解释了框架。由于它还只是一个理论，需要进一步详细阐述才能实施，因此没有提出定量评价。相反，定性分析的参数使用NATL，一些应用程序可能的认知科学/机器人相关的研究，和剩余的问题，对机器的实施进行了讨论。
2022-10-12 cs.AI cs.LO
A Description Logic Framework for Commonsense Conceptual Combination Integrating Typicality, Probabilities and Cognitive Heuristics
ICAR-CNR, Istituto di Calcolo e Reti ad Alte Prestazioni（意大利国家研究委员会高性能计算与网络研究所）
我们提出了一个典型性的非单调描述逻辑，它能够解释原型概念的概念组合现象。所提出的逻辑依赖于典型性ALC TR的逻辑，其语义是基于理性闭包的概念，以及概率描述逻辑的分布式语义，并配备了人类用于概念组合的认知启发式。我们首先通过典型包含扩展了典型ALCTR的逻辑，其直观含义是“典型Cs是Ds的事实存在概率p”。在分布式语义中，我们定义了不同的场景，只包含一些典型性包含，每一个都有一个合适的概率。然后，我们专注于这些情况下，其概率属于一个给定的和固定的范围，我们利用这种情况下，以归因于典型的属性，以获得两个原型概念的组合的概念C。我们还表明，推理建议的描述逻辑是EXPTIME完成的基础ALC。
2019-08-12 cs.AI
LogicTrack: Auditing Reasoning Trajectories of Large Language Models with Formal Logic Solvers
University of Bristol（布里斯托大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
LogicTrack通过自动形式化推理步骤并用定理证明器验证，引入逐步回溯奖励，提升LLM推理链的逻辑可验证性与最终答案通过率。
2026-09-21 cs.AI cs.LO cs.SC
Transitive reasoning with imprecise probabilities
University of Rome “La Sapienza”（罗马大学（萨皮恩扎大学））；LMU Munich（慕尼黑大学）；University of Palermo（巴勒莫大学）
我们研究概率信息（弱）版本的传递性，通过使用合适的定义的默认值和否定的默认值，在设置的连贯性和不精确的概率。我们表示p-一致的序列的默认值和/或否定的默认值的g-相干的不精确概率评估的相应序列的条件事件。最后，我们证明了弱传递性的连贯概率传播规则和有效性的选择推理模式，通过证明相关的知识库的p-蕴涵。
2015-03-13 cs.AI cs.LO math.PR
Logic of subjective probability
本文探讨主观概率的语法与语义，论证非个人概率经检验可具客观性，并借助杰弗里斯定律及与频率概率的关联支持客观概率观点。
2023-09-03 cs.AI stat.OT
Redundancy in Logic III: Non-Mononotonic Reasoning
给出了限制理论和缺省理论的冗余性结果。特别是，建立一个给定的理论是否是冗余的复杂性。
2005-10-12 cs.AI cs.CC cs.LO
Empirical Probabilities in Monadic Deductive Databases
University of Maryland（马里兰大学）
我们解决的问题，支持经验概率在一元逻辑数据库。虽然多值逻辑程序的语义已被广泛研究，处理概率的统计结果还没有在逻辑编程/演绎数据库中进行研究。我们开发了一个模型理论表征的逻辑数据库，便于这样的治疗。我们提出了一个算法来检查这类数据库的一致性，并证明了它的完全正确性。我们开发了一个健全的和完整的查询处理过程处理查询这样的数据库。
2013-03-13 cs.AI cs.DB
DeepLogic: Towards End-to-End Differentiable Logical Reasoning
Imperial College London（帝国理工学院）
将机器学习与基于逻辑的专家系统相结合，以获得两个世界的最佳效果，正变得越来越流行。然而，机器学习在多大程度上可以学习基于规则的知识进行推理仍然是一个悬而未决的问题。在本文中，我们将探讨如何符号逻辑，定义为逻辑程序在字符级别，学习表示在一个高维向量空间使用基于RNN的迭代神经网络进行推理。我们创建了一个新的数据集，定义了12类逻辑程序，举例说明增加了逻辑推理的复杂性，并以端到端的方式对网络进行训练，以了解逻辑程序是否需要给定的查询。我们分析了如何学习推理算法产生的原子，文字和规则的表示在逻辑程序和评估对增加长度的谓词和常量符号，以及增加多跳推理的步骤。
2019-03-07 cs.AI cs.LO cs.NE
Many Logics, One Methodology: A Plea for Logical Pluralism in Formalised Reasoning (preprint)
University of Luxembourg（卢森堡大学）
本文基于LogiKEy逻辑多元知识表示与推理方法论，主张在统一元逻辑框架内支持对象逻辑层面的逻辑多元主义，并警告逻辑帝国主义对跨学科复用的阻碍。
2026-05-26 cs.AI cs.LO math.LO
Transfinite Modal Logic: a Semi-quantitative Explanation for Bayesian Reasoning
Japan Advanced Institute of Science and Technology（日本北陆先端科学技术大学院大学）
贝叶斯推理在人类理性和机器学习中起着重要的作用。本文介绍了超限模态逻辑，它将模态逻辑与序数运算相结合，半定量地形式化贝叶斯推理。在技术上，我们首先研究了序数算术的一些非平凡性质，然后使我们能够自然和优雅地扩展正常模态逻辑的语义到新的超限模态逻辑上，同时仍然保持Kripke模型的普通定义完全不变。尽管所有的超限数学定义，我们认为，在实践中，这种逻辑实际上可以适应一个完全有限的解释。我们认为，超限模态逻辑以一种相当简单明了的形式抓住了贝叶斯推理的本质，特别是它为福尔摩斯的名言“当你排除了不可能，剩下的无论多么不可能，都一定是真理”提供了一个完美的解释。“我们还证明了我们的逻辑的有限模型性质定理的对应。
2022-04-02 cs.AI cs.LO math.LO
Workshop Notes of the 6th International Workshop on Acquisition, Representation and Reasoning about Context with Logic (ARCOE-Logic 2014)
2014年11月25日，第六届逻辑语境获取、表示和推理国际研讨会（ARCOE-Logic 2014）与第19届知识工程和知识管理国际会议（EKAW 2014）在瑞典林雪平举行。这些说明载有讲习班上接受和提出的五份文件。
2014-12-30 cs.AI
An Analysis of General Fuzzy Logic and Fuzzy Reasoning Method
Kim Il Sung University（金日成综合大学）；Kim Chaek University of Technology（金策工业综合大学）
本文首先介绍了作为智能信息处理方法之一的模糊推理的基础的模糊逻辑、模糊语言和算法，然后介绍了一般的模糊推理方法。
2016-04-07 cs.AI
Universal Reasoning, Rational Argumentation and Human-Machine Interaction
University of Luxemburg（卢森堡大学）；Freie Universität Berlin（柏林自由大学）
经典高阶逻辑，当被用作元逻辑时，其中各种其他（经典和非经典）逻辑可以被浅嵌入，非常适合于实现通用逻辑推理方法。反过来，正如莱布尼茨所设想的那样，普遍逻辑推理可能支持机器内理性论证的严格形式化和深入逻辑分析。描述了相应的通用逻辑推理框架，并讨论了一系列示例性应用。在未来，通用逻辑推理与适当的、受控形式的理性论证相结合，可能会成为人类和智能机器之间的沟通层。
2017-03-28 cs.AI
Logic-Parametric Neuro-Symbolic NLI: Controlling Logical Formalisms for Verifiable LLM Reasoning
University of Luxemburg（卢森堡大学）；University of Sheffield（谢菲尔德大学）
本文提出逻辑参数化框架，通过可控逻辑形式提升神经符号推理的鲁棒性与适应性，实验表明内部逻辑策略在不同领域具有更优表现。
2026-01-09 cs.AI cs.CL cs.LO
Logic Tensor Networks: Deep Learning and Logical Reasoning from Data and Knowledge
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；City University London（伦敦城市大学）
我们提出了逻辑张量网络：一个统一的框架，集成自动学习和推理。一个逻辑形式主义称为真正的逻辑是定义在一阶语言，其中公式的真值在区间[0，1]和语义定义具体的实数域。逻辑常数被解释为实数的特征向量。Real Logic促进了基于知识库的演绎推理和高效的数据驱动关系机器学习的良好集成。我们展示了如何使用Google的tensorflow原语在深度张量神经网络中实现Real Logic。最后，本文将逻辑张量网络应用于一个简单但具有代表性的知识完成示例。
2016-07-07 cs.AI cs.LG cs.LO
Proceedings of the First International Workshop on Argumentation in Logic Programming and Non-Monotonic Reasoning (Arg-LPNMR 2016)
本卷包含Arg-LPNMR 2016上发表的论文：第一届逻辑编程和非单调推理论证国际研讨会，于2016年7月8日至10日在纽约州纽约市举行。
2016-11-08 cs.AI
Enhancing Reasoning Capabilities of LLMs via Principled Synthetic Logic Corpus
Advanced AI Innovation Center, Hitachi（日立高级人工智能创新中心）；The University of Sheffield（谢菲尔德大学）
针对LLM推理能力不足的问题，本文提出附加逻辑训练（ALT）方法，并基于符号逻辑理论构建了高质量多步演绎合成语料库FLD×2。实验表明，该方法显著提升了LLaMA-3.1-70B等先进模型在逻辑、数学、编程及BBH基准上的表现。
2024-12-23 cs.AI cs.LG cs.LO
Reasoning about Typicality and Probabilities in Preferential Description Logics
Università del Piemonte Orientale（东皮埃蒙特大学）；Università di Torino（都灵大学）；ICAR-CNR（意大利国家研究委员会高性能计算与网络研究所）；Aix-Marseille University（艾克斯-马赛大学）
在这项工作中，我们描述了优先描述逻辑的典型性，一个非单调扩展的标准描述逻辑的典型性算子T允许扩展知识库的形式T（C）v D，其直观的含义是，通常/通常Cs也是Ds。这种扩展是基于一个最小的模型语义对应的理性闭包的概念，建立在优惠的模型。我们回顾优先描述逻辑的基本概念。我们还提出了两个扩展的优先语义：一方面，我们考虑概率扩展，基于分布式语义，是适合于解决问题的常识概念组合，另一方面，我们考虑其他加强的理性闭包语义和建设，以避免所谓的阻塞的属性继承问题。
2020-04-23 cs.AI
Probabilities on Sentences in an Expressive Logic
The Australian National University（澳大利亚国立大学）；EMC Greenplum；National ICT Australia（澳大利亚国家信息与通信技术研究院）；University of New South Wales（新南威尔士大学）
关于不确定性知识的自动推理有着广泛的应用。开发这种系统的一个困难是缺乏逻辑和概率的完全令人满意的整合。我们直接解决这个问题。高阶逻辑等表达性语言非常适合表示和推理结构化知识。不确定性知识可以通过使用分级概率而不是二进制真值来建模。本文研究的主要技术问题是：给定一组句子，每个句子都有一定的概率为真，其他句子的概率应该是多少？一个自然的愿望清单，除其他外，是概率分布（i）与知识库一致，（ii）允许一致的推理过程，特别是（iii）在概率为0和1的限制下简化为演绎逻辑，（四）允许（贝叶斯）归纳推理和（v）学习的限制，特别是（vi）允许确认普遍量化的假设/句子。我们将这个愿望清单转化为先验概率的技术要求，并表明满足我们所有标准的概率存在。我们还给出了明确的建设和几个一般的概率特征，满足一些或所有的标准和各种（反）的例子。我们还推导出必要和充分的条件，扩展信念的许多句子，以合适的概率在所有的句子，特别是最少的教条主义或偏见。最后，我们如何开发的理论可能会被使用和近似的自主推理代理的简要展望。我们的理论是一个全球一致的和经验上令人满意的统一概率和逻辑的一步。
2012-09-12 cs.AI cs.LG cs.LO
Deontic Logic for Human Reasoning
Universität Koblenz-Landau（科布伦茨-兰道大学）
道义逻辑是适用于模拟人类推理。为此，详细讨论了Wason选择任务和抑制任务。不同版本的建模规范与道义逻辑的情况下，Wason的选择任务，它演示了如何在人类的表现的差异，在抽象的社会契约的情况下，可以解释。此外，它表明，自动定理证明器可以用作道义逻辑的推理工具。
2014-09-18 cs.AI
A Logic for Reasoning about Evidence
Cornell University（康奈尔大学）
我们引入了一个逻辑推理的证据，基本上认为证据作为一个功能，从以前的信念（观察前）后的信念（观察后）。我们提供了一个健全的和完整的公理化的逻辑，并考虑到决策问题的复杂性。虽然逻辑中的推理主要是命题，但我们允许变量表示数字和量化。这种表达能力似乎是捕捉证据的重要属性所必需的
2014-07-27 cs.AI
Integrating Reasoning Systems for Trustworthy AI, Proceedings of the 4th Workshop on Logic and Practice of Programming (LPOP)
第4届编程逻辑与实践研讨会聚焦于可信人工智能的推理系统集成，将与第40届国际逻辑编程会议联合于2024年10月13日在美国达拉斯以混合形式举行，重点是集成不同编程模型与规则和约束。
2026-07-27 cs.AI cs.LO cs.PL
Logic Diffusion for Knowledge Graph Reasoning
Xi’an Jiaotong University（西安交通大学）
针对知识图谱推理模型对未见逻辑泛化不足的问题，本文提出插件模块 LoD，通过关系扩散、随机游走采样、梯度自适应和新损失增强鲁棒性，并在四个数据集上验证其性能提升。
2023-06-06 cs.AI cs.LG cs.LO
Automated Reasoning in Non-classical Logics in the TPTP World
University of Greifswald（格赖夫斯瓦尔德大学）；Université du Luxembourg（卢森堡大学）；Freie Universität Berlin（柏林自由大学）；Fraunhofer FOKUS（弗劳恩霍夫开放通信系统研究所）；University of Miami（迈阿密大学）；University of Bamberg（班贝格大学）
非经典逻辑广泛应用于各种学科，包括人工智能、计算机科学、数学和哲学。自动化定理证明的事实标准基础设施TPTP World目前只支持经典逻辑。类似的非经典逻辑推理标准（至今）还不存在。这阻碍了推理系统的实际开发，并限制了它们的互操作性和应用。本文介绍了TPTP World的最新扩展，它为非经典逻辑推理提供了语言和基础设施。这些扩展与现有的TPTP World无缝集成。
2022-02-20 cs.AI
Applications of fuzzy logic to Case-Based Reasoning
College of Letters and Sciences, National University（美国国立大学文理学院）；Graduate Technological Educational Institute（希腊帕特拉斯技术教育学院）
本文讨论了模糊逻辑思想在基于实例推理（CBR）过程的形式化和CBR系统有效性度量中的一些应用
2012-04-10 cs.AI
Generalizing Fuzzy Logic Probabilistic Inferences
URSIC COMPUTING（Ursic计算公司）
通过奇偶条件选择的布尔对称函数子集的线性表示构成了布尔引入的概率线性约束的推广。这些线性约束对于计算事件的概率是必要的。用命题演算布尔公式任意指定。
2013-03-27 cs.AI
Towards Logically Sound Natural Language Reasoning with Logic-Enhanced Language Model Agents
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
针对LLMs在开放式任务中易出现逻辑错误的问题，提出逻辑增强框架LELMA，通过自动形式化将自然语言推理转化为逻辑表示以验证和优化推理，实验表明该框架有效提升了错误检测准确率与推理正确性。
2025-05-29 cs.AI cs.CL cs.GT
Sequential Recommendation with Probabilistic Logical Reasoning
Soochow University（苏州大学）；Macquarie University（麦考瑞大学）；Texas Tech University（德克萨斯理工大学）；Suzhou Vocational University（苏州市职业大学）
针对神经符号序列推荐中的逻辑表示难题，提出SR-PLR框架，解耦特征与逻辑嵌入，结合概率逻辑推理，提升推荐性能。
2023-05-15 cs.AI
A Reasoning System for a First-Order Logic of Limited Belief
The University of New South Wales（新南威尔士大学）
有限信念逻辑的目标是在高度表达的表示语言中实现计算上可行的推理。这些语言通常是一阶逻辑的方言，具有较弱形式的逻辑蕴涵，使推理可判定甚至可处理。虽然过去已经提出了一些这样的逻辑，但它们往往只用于理论分析，其实际意义非常有限。在本文中，我们的目标是超越理论。在刘，Lakemeyer和Levesque早期工作的基础上，我们开发了一种具有高度表达性的有限信念逻辑，同时在一阶和易处理的命题情况下保持可判定性，并表现出一些特性，使其对实现具有吸引力。我们介绍了一个推理系统，采用这种逻辑作为表示语言，并展示了有限的信念的好处，目前的实验结果。
2017-05-04 cs.AI
Discourse-Aware Graph Networks for Textual Logical Reasoning
Sun Yat-sen University（中山大学）；Tencent AI Lab（腾讯人工智能实验室）；Huawei（华为）；University of Liverpool（利物浦大学）
本文提出语篇感知图网络DAGNs，通过构建逻辑图并端到端演化逻辑关系来增强文本逻辑推理问答能力，实验验证了其有效性和泛化性。
2023-04-19 cs.AI cs.CL
Reasoning about Probabilities in Dynamic Systems using Goal Regression
University of Toronto（多伦多大学）
在不确定的动态世界中，关于置信度的推理是许多应用的基础，例如机器人和规划，其中动作修改状态属性并且传感器提供测量，这两者都容易受到噪声的影响。除了有限的情况下，如高斯过程的线性现象，信念状态的演变可能是复杂的，很难以一般的方式推理。本文提出了一个框架，新的结果，允许减少主观概率后，感知和行动的问题，只有初始状态。我们建立在一个表达概率的一阶逻辑帐户巴克斯，Halpern和Levesque，从而在一个方法，原则上，可以与各种现有的推理解决方案。
2013-09-26 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
Learning Deductive Reasoning from Synthetic Corpus based on Formal Logic
Hitachi, Ltd. Research and Development Group（日立制作所研发集团）
本文提出基于形式逻辑的合成语料FLD，训练语言模型获得可泛化的演绎推理能力，并验证其有效性，同时作为基准揭示LLM纯逻辑推理的挑战。
2023-11-14 cs.AI cs.CL cs.LG
Knowledge Graph Reasoning with Logics and Embeddings: Survey and Perspective
Zhejiang University（浙江大学）；University of Oxford（牛津大学）；The University of Edinburgh（爱丁堡大学）；Alibaba-Zhejiang University Joint Research Institute of Frontier Technologies（阿里巴巴-浙江大学前沿技术联合研究院）；Hangzhou Innovation Center, Zhejiang University（浙江大学杭州国际科创中心）
知识图谱（KG）推理在学术界和工业界都变得越来越流行。传统的基于符号逻辑的KG推理是确定性的，推理结果是可解释的，而现代的基于嵌入的推理可以处理不确定性和预测似然知识，通常通过向量计算具有高效率。一个很有前途的方向是将基于逻辑和基于嵌入的方法结合起来，并具有两者的优点。近年来，随着越来越多的研究成果的发表，它引起了人们的广泛关注。在本文中，我们全面调查这些工作，重点是如何逻辑和嵌入集成。本文首先简要介绍了KG推理的基本概念，然后从不同的角度对逻辑和嵌入意识KG推理的研究成果进行了系统的分类和讨论，最后总结和讨论了KG推理面临的挑战和进一步的发展方向。
2022-02-15 cs.AI
Reasoning-as-Logic-Units: Scaling Test-Time Reasoning in Large Language Models Through Logic Unit Alignment
Peking University（北京大学）
针对思维链提示的数值计算缺陷及程序辅助技术的“推理幻觉”问题，提出推理即逻辑单元（RaLU）框架，通过逻辑单元对齐构建可靠推理路径，在多推理任务中显著优于基线，提升大语言模型推理准确性与可解释性。
2025-02-05 cs.AI cs.LG
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
Automated Reasoning in Deontic Logic
Universität Koblenz-Landau（科布伦茨-兰道大学）；Harz University of Applied Sciences（哈尔茨应用科学大学）
道义逻辑是数理逻辑和哲学的一个分支。各种道义逻辑讨论了不同的应用领域，如论证理论，法律推理，并在多智能体系统的行为。在本文中，我们将展示如何标准道义逻辑可以逐步转化为描述逻辑和DL-条款，使它可以处理的超，一个高性能的定理证明，它使用超表演算。两个用例，一个来自多智能体研究，一个来自规范系统的开发进行了研究。
2014-11-18 cs.AI
Probability Distributions Over Possible Worlds
University of Waterloo（滑铁卢大学）
在概率逻辑尼尔森使用设备的概率分布在一组可能的世界分配概率的句子的逻辑语言。在他的论文尼尔森集中在推理和相关的计算问题。另一方面，本文更详细地研究了概率语义，特别是对于一阶语言的情况，并试图解释这种形式的概率逻辑的一些特征和局限性。指出逻辑句子概率赋值的方法具有一定的表达局限性。特别地，统计断言不容易由这样的设备表达。这导致了某些困难，试图给概率语义默认推理使用概率分配给逻辑句子。
2013-03-27 cs.AI
Reasoning within Fuzzy Description Logics
I.E.I - C.N.R.（国家研究委员会信息工程研究所）
描述逻辑（DL）是用于管理结构化知识的合适的、众所周知的逻辑。它们允许对个人和定义明确的概念进行推理，即，具有共同属性的个体集合。在应用程序中使用DL的经验表明，在许多情况下，我们希望扩展其功能。特别是，它们的使用在多媒体信息检索（MIR）的上下文中导致令人信服的是，这样的DL应该允许在多媒体对象内容表示和检索的固有的不精确性的治疗。本文将Zadeh的模糊逻辑与经典的DL相结合，提出一种模糊扩展的ALC。特别是，概念变得模糊，因此，支持不精确概念的推理。我们将定义它的语法，它的语义，描述它的属性，并提出了一个约束传播演算推理。
2011-06-03 cs.AI
Reasoning about Minimal Belief and Negation as Failure
我们研究MBNF的命题片段中的推理问题，Lifschitz引入的最小信念和否定的逻辑，它可以被认为是几个非单调形式主义的统一框架，包括默认逻辑，自认知逻辑，限定，认知查询和逻辑编程。我们描述的复杂性，并提供算法的命题MBNF推理。特别是，我们表明，蕴涵命题MBNF位于第三级的多项式层次，因此，它比推理在所有上述命题形式主义的非单调推理。我们还证明了MBNF中的否定失败和摩尔的自认知逻辑中的否定内省之间的确切对应关系。
2011-06-01 cs.AI
Enhancing Logical Reasoning in Large Language Models to Facilitate Legal Applications
National Institute of Informatics（信息学研究所）
本文提出逻辑反馈强化学习（RLLF）方法以提升LLMs的逻辑推理能力，从而扩展其在法律等逻辑密集型学科中的应用，并探索该领域研究的新途径。
2023-11-22 cs.AI cs.CL
Reasoning about Agent Programs using ATL-like Logics
RMIT University（皇家墨尔本理工大学）
我们提出了一个变体的交替时间时序逻辑（ATL）接地代理的操作诀窍，定义由他们的图书馆的抽象计划。受ATLES的启发，ATL本身的一个变体，在我们的逻辑中可以明确地引用“理性”策略，用于在信念-欲望-意图代理编程范式下开发的代理。这使我们能够使用ATL类型的逻辑框架来表达和验证BDI系统的属性。
2012-07-17 cs.AI
Ontology Reasoning with Deep Neural Networks
University of Oxford（牛津大学）
进行逻辑推理的能力是智能人类行为的一个基本方面，因此也是通往人类水平的人工智能的一个重要问题。传统上，从知识表示和推理领域的逻辑为基础的符号方法已被用来装备代理的能力，类似于人类的逻辑推理素质。然而，最近，人们对使用机器学习而不是基于逻辑的符号形式主义来解决这些任务的兴趣越来越大。在本文中，我们采用最先进的方法来训练深度神经网络，以设计一种新的模型，该模型能够学习如何以基本本体推理的形式有效地执行逻辑推理。这是一个重要的，同时也是非常自然的逻辑推理任务，这就是为什么所提出的方法适用于大量重要的现实问题。我们提出了几个实验的结果，这表明我们的模型能够学习执行非常大的，多样的，具有挑战性的基准高度准确的本体推理。此外，事实证明，所提出的方法受到禁止基于逻辑的符号推理的各种障碍的影响要小得多，同时，从生物学的角度来看，令人惊讶地似乎是合理的。
2021-01-08 cs.AI
Neural Logic Reasoning
Tsinghua University（清华大学）；Rutgers University（罗格斯大学）
近年来，深度神经网络在许多研究领域取得了成功。大多数神经网络设计背后的基本思想是从数据中学习相似模式进行预测和推理，缺乏认知推理的能力。然而，具体的推理能力对许多理论和实践问题至关重要。另一方面，传统的符号推理方法虽然能够很好地进行逻辑推理，但大多是基于硬规则的推理，由于不同的任务可能需要不同的规则，这限制了它们对不同任务的泛化能力。推理和泛化能力对于推荐系统等预测任务都很重要，其中推理在用户历史和目标项目之间提供了强有力的联系，以进行准确的预测，泛化有助于模型在嘈杂的输入中绘制鲁棒的用户画像。在本文中，我们提出了逻辑集成神经网络（LINN），以整合深度学习和逻辑推理的能力。LINN是一个动态的神经架构，它根据输入的逻辑表达式构建计算图。它学习基本的逻辑运算，如AND，OR，NOT作为神经模块，并通过网络进行命题逻辑推理进行推理。理论任务的实验表明，LINN在求解逻辑方程和变量方面取得了显著的成绩。此外，我们测试我们的方法的实际任务的建议制定成一个逻辑推理问题的任务。实验结果表明，LINN在Top-K推荐中的性能明显优于现有推荐模型，验证了LINN在实际应用中的潜力。
2020-08-20 cs.AI cs.IR cs.LG
Asymptotic Logical Uncertainty and The Benford Test
University of California Los Angeles（加州大学洛杉矶分校）；Machine Intelligence Research Institute（机器智能研究所）；University of Southern California（南加州大学）
我们给出一个算法A，它分配概率的逻辑句子。对于任何简单的无限序列的句子，其真值看起来与以概率p输出“真”的有偏硬币不可区分，我们有A赋予这些句子的概率序列收敛于p。
2015-10-12 cs.AI cs.LG
