Knowledge Engineering for Hybrid Deductive Databases
University of Würzburg（维尔茨堡大学）
现代知识库系统经常需要以不同的格式组合数据库的集合：例如，关系数据库、XML数据库、规则库、本体等。在演绎数据库系统DDASE中，我们可以管理这些不同格式的知识并对它们进行推理。甚至不同计算机上的文件系统也可以是知识库的一部分。通常，需要处理知识库的不同版本。例如，在一个示例中，我们可能想要找出关系数据库的两个版本的共同部分或差异。我们将通过谓词依赖和规则谓词图来检查规则库抽象的使用。此外，派生原子的证明树可以帮助比较不同版本的规则库。此外，它可能有派生加入规则与其他形式主义的知识表示。本体已经在智能系统的许多应用中显示出它们的益处，并且已经有许多与语义web栈兼容的规则语言的提议，例如，SWRL，语义Web规则语言。最近，本体被用于混合系统中指定不同组件的出处。
2017-01-03 cs.AI cs.DB cs.PL
SoftReason: A Fully Differentiable Neuro-Soft-Symbolic Deductive Reasoning Architecture over High-Dimensional Perceptual Data
Clemson University（克莱姆森大学）
研究针对前提需从高维输入推断且由知识图谱提供相关信息的推理问题，提出神经软符号架构SoftReason，核心是对直接后果算子可微提升，能在知识感知视觉问答中支持多种功能。
2026-08-11 cs.AI
SR-FoT: A Syllogistic-Reasoning Framework of Thought for Large Language Models Tackling Knowledge-based Reasoning Tasks
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；South China Normal University（华南师范大学）
提出SR-FoT框架，通过多阶段三段论演绎推理增强LLMs处理基于知识的复杂推理任务的能力，实验验证其有效性。
2025-01-20 cs.AI cs.CL
Deductive Inference for the Interiors and Exteriors of Horn Theories
University of Tokyo（东京大学）；Kyushu University（九州大学）
本文研究了Horn知识库的内部和外部的演绎推理，其中内部和外部是Makino和Ibaraki为了研究知识库的稳定性而引入的.我们给出了一个线性时间算法的内部推导，并证明了它是co-NP-完全的外部推导。在基于模型的表示下，我们证明了内部的演绎问题是NP-完全的，而外部的演绎问题是co-NP-完全的。对于外部的Horn包络，我们证明了它在基于模型的表示下是线性可解的，而在基于公式的表示下是共NP完全的。我们还讨论了多项式可解的情况下，所有棘手的问题。
2009-03-03 cs.AI cs.CC cs.DS
On the Capabilities of Pointer Networks for Deep Deductive Reasoning
Kansas State University（堪萨斯州立大学）
构建能够学习推理的神经网络的重要性已经在神经符号学领域得到了很好的认识。在本文中，我们采用神经指针网络进行推理的符号知识库。在这样做的过程中，我们探讨了一般的编码器-解码器架构和指针网络的优点和局限性，特别是开发准确，可推广和强大的神经符号推理机。根据我们的实验结果，指针网络在多个推理任务中表现得非常好，同时大大优于先前报道的最新技术水平。我们观察到，指针网络保持其性能，即使在挑战与知识图谱的领域/词汇，它从来没有遇到过。据我们所知，这是第一次使用指针网络进行神经符号推理的研究。我们希望我们在这些推理问题上令人印象深刻的结果将鼓励更广泛地探索指针网络在更复杂逻辑和其他神经符号问题上的推理能力。
2021-06-17 cs.AI
Reasoning over RDF Knowledge Bases using Deep Learning
Wright State University（莱特州立大学）；University of Milan - Bicocca（米兰比可卡大学）
语义Web知识表示标准，特别是RDF和OWL，通常被赋予一个正式的语义，这被认为是该领域的根本重要性。推理，即，从这些标准中表达的知识中进行逻辑推理传统上是基于逻辑演绎方法和算法，其可以被证明是可靠的、完整的和终止的，即在很强的意义上是正确的。由于各种原因，虽然，特别是，所产生的可扩展性问题，不断增加的语义Web数据和演绎算法无法处理噪声的数据，有人认为，替代的推理手段应调查承担高的承诺，高的可扩展性和更好的鲁棒性。从这个角度来看，演绎算法可以被认为是关于正确性的黄金标准，需要测试替代方法。在本文中，我们证明了在RDF知识图谱上训练一个深度学习系统是可能的，这样它就能够对新的RDF知识图谱进行推理，与演绎黄金标准相比具有高精度和召回率。
2018-11-09 cs.AI cs.LG stat.ML
Non-monotonic Reasoning in Deductive Argumentation
University College London（伦敦大学学院）
论证是一个非单调的过程。这反映了一个事实，即论证涉及不确定的信息，因此新的信息可能会导致得出的结论发生变化。然而，基本逻辑不需要是非单调的。事实上，大多数结构化论证的建议都使用单调的基本逻辑（例如，某种形式的基于规则的语言或经典逻辑的肯定前件式）。然而，在捕获论证中的可废止推理方面存在问题，包括基础逻辑的选择和可废止知识的建模。在非单调逻辑的研究中，也有一些见解和工具可以利用。我们认为其中一些问题在本文中。
2018-09-04 cs.AI
TensorLog: A Differentiable Deductive Database
Carnegie Mellon University（卡内基梅隆大学）
大型知识库（KBs）在许多任务中都很有用，但目前还不清楚如何将这种知识集成到“深度”基于梯度的学习系统中。为了解决这个问题，我们描述了一个概率演绎数据库，称为TensorLog，其中推理使用可微过程。在TensorLog中，逻辑理论中的每个子句首先被转换为某种类型的因子图。然后，对于因子图的每种类型的查询，执行置信传播（BP）所需的消息传递步骤被“展开”为一个函数，该函数是可微的。我们表明，这些功能可以组成递归进行推理，在非平凡的逻辑理论包含多个相互关联的条款和谓词。TensorLog中的编译和推理都是高效的：编译在理论大小和证明深度方面是线性的，推理在数据库大小和BP中使用的消息传递步骤数量方面是线性的。我们还展示了TensorLog的实验结果，并讨论了它与其他一阶概率逻辑的关系。
2016-07-19 cs.AI cs.DB cs.LG
Understanding CNN Hidden Neuron Activations Using Structured Background Knowledge and Deductive Reasoning
Kansas State University（堪萨斯州立大学）；Bowie State University（鲍伊州立大学）
本文提出结合维基百科大规模背景知识与基于描述逻辑的概念归纳推理方法，自动为CNN隐藏神经元生成并验证可解释标签，解决黑箱可解释性难题。
2023-08-09 cs.AI cs.CV cs.LG
Dual Computational Horizons: Incompleteness and Unpredictability in Intelligent Systems
Engineering Mechanics Unit, Jawaharlal Nehru Centre for Advanced Scientific Research, Bangalore 560064, India（奈尔中心先进科学研究所工程力学单元，班加罗尔560064，印度）
本文研究了智能系统中由于形式不完全性和动态不可预测性导致的计算限制，并探讨了推理、预测与自我分析之间的权衡。
2025-12-21 cs.AI cs.LO
Enhancing Geometric Ontology Embeddings for $\mathcal{EL}^{++}$ with Negative Sampling and Deductive Closure Filtering
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对 $\mathcal{EL}^{++}$ 本体嵌入的局限，提出利用演绎闭包和新型负损失函数的方法，在知识库补全任务中优于基线。
2024-06-26 cs.AI
Extending Classical Logic with Inductive Definitions
本文的目的是扩展经典逻辑与归纳定义的广义概念支持积极和消极的归纳，探讨这种逻辑的性质，它与其他逻辑领域的非单调推理，逻辑程序设计和演绎数据库的关系，并显示其应用的知识表示通过给出一个类型的定义知识。
2000-03-07 cs.AI cs.LO
Probabilistic Algorithmic Knowledge
算法知识的框架假设代理使用确定性知识算法来计算他们明确知道的事实。我们扩展的框架，允许随机知识算法。然后，我们描述了随机知识算法提供的信息时，它的答案有一定的概率是不正确的。我们将这些信息形式化为证据;一个随机知识算法返回“是”到一个关于事实的查询中，它提供了证据证明事实是真的。最后，我们讨论了在何种程度上，这些证据可以作为决策的基础。
2005-12-20 cs.AI cs.LO
Causal knowledge graph analysis identifies adverse drug effects
Computer, Electrical and Mathematical Sciences & Engineering（计算机、电气与数学科学与工程）；King Abdullah University of Science and Technology（卡布斯科学技术大学）；University of Cambridge（剑桥大学）；SDAIA–KAUST Center of Excellence in Data Science and Artificial Intelligence（数据科学与人工智能卓越中心）；KAUST Center of Excellence for Smart Health (KCSH)（智能健康卓越中心）
提出融合形式化因果语义与演绎推理的因果知识图谱 CKG，并基于 DD-CKG 在 UK Biobank 和 MIMIC-IV 中开展大规模中介分析，高精度复现并发现药物不良反应。
2025-05-11 cs.AI q-bio.BM
Logical Reasoning over Natural Language as Knowledge Representation: A Survey
Nanyang Technological University（南洋理工大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文综述了以自然语言作为知识表示、预训练语言模型作为推理器的逻辑推理新范式，涵盖其优势、基准、挑战及未来方向，该范式有效缓解了形式表示的瓶颈并优于端到端神经方法。
2024-02-16 cs.AI cs.CL
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
MASLegalBench: Benchmarking Multi-Agent Systems in Deductive Legal Reasoning
Hong Kong University of Science and Technology（香港理工大学）；Tsinghua University（清华大学）
针对现有法律基准未适配多智能体系统（MAS）优势的问题，研究提出专为MAS设计的演绎法律推理基准MASLegalBench，以GDPR为场景，通过多角色MAS与前沿大模型实验，揭示现有模型与架构的优劣及改进方向。
2025-09-30 cs.AI cs.CL
Semantic Channel Theory: Deductive Compression and Structural Fidelity for Multi-Agent Communication
Koguan School of Law, China Institute for Smart Justice, School of Computer Science, Shanghai Jiao Tong University（柯关法学院，中国智能正义研究院，计算机科学学院，上海交通大学）
本文提出语义通信的严谨框架，结合形式证明系统与香农理论工具，定义语义通道及四种递增语义深度的失真度量，通过显式Datalog实例验证了演绎压缩增益和语义瓶颈现象。
2026-04-10 cs.AI cs.IT cs.LO
Dynamics of Belief: Abduction, Horn Knowledge Base And Database Updates
RWTH Aachen（亚琛工业大学）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。为了将信念动力学理论的合理性结果应用到各种实际问题中，它应该在两个方面进行推广：第一，它应该允许信念的某一部分被声明为不变的;第二，信念状态不需要是演绎封闭的。本文提出了这样一种广义的信念动力学，称为基地动力学，随着知识库（霍恩或霍恩逻辑分层否定）的广义修正算法的概念。我们表明，知识库动态有一个有趣的连接，通过击中集和绑架的内核变化。在本文中，我们将展示如何从析取逻辑编程技术可以用于有效的（演绎）数据库更新。其核心思想是将给定的数据库连同更新请求一起转换成一个析取（数据库）逻辑程序，并应用析取技术（如最小模型推理）来解决原始的更新问题。该方法扩展并集成了标准技术，以实现高效的查询应答和完整性检查。一个击中集的生成是通过一个超tableaux演算和魔术集，专注于最小的目标。本文提供了一个比较研究的视图更新算法在理性的做法。为了理解溯因推理的基本概念，我们提供了一个知识库动力学的溯因框架。最后，我们展示了如何信念基础动力学可以提供一个公理化的表征插入一个视图原子的数据库。我们给出了信念改变的主要操作符的快速概述，特别是信念更新与数据库更新。
2015-01-27 cs.AI cs.DB cs.LO
Sentiment and Knowledge Based Algorithmic Trading with Deep Reinforcement Learning
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
由于其固有的性质，股票交易是一个难以解决的问题;现实世界中涉及的变量太多，几乎不可能有可靠的自动股票交易算法。由于缺乏考虑决定市场涨跌的物理和生理因素的可靠标记数据，阻碍了监督学习进行可靠预测的尝试。为了学习一个好的交易策略，我们制定了一种使用强化学习的方法，该方法使用传统的时间序列股票价格数据，并将其与新闻标题情绪相结合，同时利用知识图谱来利用有关隐含关系的新闻。
2020-01-26 cs.AI
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
A New Rational Algorithm for View Updating in Relational Databases
RWTH Aachen（亚琛工业大学）；University of Bonn（波恩大学）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。为了将信念动力学理论的合理性结果应用到各种实际问题中，它应该在两个方面进行推广：第一，它应该允许信念的某一部分被声明为不变的;第二，信念状态不需要是演绎封闭的。本文提出了这样一种广义的信念动力学，称为基地动力学，随着知识库（霍恩或霍恩逻辑分层否定）的广义修正算法的概念。我们表明，知识库动态有一个有趣的连接，通过击中集和绑架的内核变化。在本文中，我们将展示如何从析取逻辑编程技术可以用于有效的（演绎）数据库更新。其核心思想是将给定的数据库连同更新请求一起转换成一个析取（数据库）逻辑程序，并应用析取技术（如最小模型推理）来解决原始的更新问题。该方法扩展并集成了标准技术，以实现高效的查询应答和完整性检查。一个击中集的生成是通过一个超tableaux演算和魔术集，专注于最小的目标。
2014-07-13 cs.AI cs.DB
A Rational and Efficient Algorithm for View Revision in Databases
SSN College of Engineering（SSN工程学院）
信念和知识的动态是任何自治系统的主要组成部分之一，它应该能够吸收新的信息。本文认为，要将信念动力学理论的合理性结果应用于各种实际问题，应该从两个方面加以推广：首先，它应该允许信念的某一部分被声明为不变的;其次，信念状态不需要是演绎封闭的。这样一个广义的信念动态，称为基地动态，提出了一个广义的修正算法的概念，霍恩知识库。我们表明，霍恩知识库动态与内核的变化和绑架有着有趣的联系。最后，我们还表明，这两种变体是合理的，在这个意义上，他们满足一定的理性假设来自哲学作品的信念动力学。
2013-01-22 cs.AI cs.DB cs.LO
An Approach for Automatic Construction of an Algorithmic Knowledge Graph from Textual Resources
Indian Statistical Institute（印度统计研究所）；Calcutta University（加尔各答大学）
在各个研究领域都有巨大的增长。这种发展伴随着新的问题。为了有效地以优化的方式解决这些问题，研究人员在科学文献中创建和描述了算法。科学算法对于理解和重用许多领域的现有工作至关重要。然而，算法通常很难找到。此外，由于文档不连贯，相似算法之间的比较很困难。关于算法的信息大多存在于网站、代码注释等中，缺乏描述算法的结构化元数据。因此，有时会发布冗余或类似的算法，研究人员从头开始构建它们，而不是重用或扩展现有的算法。在本文中，我们介绍了一种自动开发的知识图谱（KG）的算法问题，从非结构化数据的方法。因为它更清晰和广泛地捕获信息，算法KG将为算法元数据提供额外的上下文和可解释性。
2022-05-25 cs.AI cs.CL
A multi-agent ontologies-based clinical decision support system
Université Paris Ouest（巴黎第十大学）；CNRS（法国国家科学研究中心）；Université du Havre（勒阿弗尔大学）；CIRTAI；IDEES
临床决策支持系统结合了来自各种来源的知识和数据，这些来源由基于随机方法的定量模型或基于专家推理和演绎推理的定性模型表示。同时，基于案例的推理（CBR）记忆和返回解决类似问题的经验。异构临床知识库（知识对象、语义距离、评价函数、逻辑规则、数据库等）的协作是基于医学本体论的多代理决策支持系统（MADSS）能够集成和合作的代理专门在不同领域的知识（符号学，药理学，临床病例等）。每个专家代理操作一个知识库，该知识库定义了要保持的行为，该行为符合与表达所讨论的领域的术语之间的语义关系的本体论基础相关联的现有技术。我们的方法是基于专业化的代理人适应的知识模型，在临床步骤和本体。这种模块化的方法适用于许多领域的MADSS的实现。
2020-01-21 cs.AI
Learning Onto-Relational Rules with Inductive Logic Programming
规则补充和扩展了语义Web上的本体。我们将这些规则称为本体关系，因为它们结合了基于DL的本体语言和支持逻辑编程和演绎数据库传统内的关系数据模型的知识表示形式。规则编写是一项要求非常高的知识工程任务，可以通过应用机器学习算法来部分自动化。在这一章中，我们将展示归纳逻辑程序设计（ILP），诞生于机器学习和逻辑程序设计的交叉点，并被认为是关系学习的主要方法，可以适应本体关系学习。为了说明，我们提供了一个具体的本体关系学习解决方案的问题，学习基于规则的定义DL概念和角色与ILP的细节。
2012-10-29 cs.AI cs.DB cs.LG
Algorithmic recourse under imperfect causal knowledge: a probabilistic approach
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Max Planck ETH Center for Learning Systems（马克斯·普朗克-ETH学习系统中心）；University of Cambridge（剑桥大学）；Saarland University（萨尔兰大学）
最近的工作讨论了反事实解释的局限性，以推荐算法追索权的行动，并认为需要考虑特征之间的因果关系。不幸的是，在实践中，真正的基础结构因果模型通常是未知的。在这项工作中，我们首先表明，这是不可能的，以保证追索权，而不进入真正的结构方程。为了解决这一限制，我们提出了两种概率方法来选择最佳行动，在有限的因果知识（例如，只有因果图）。第一个捕获加性高斯噪声下的结构方程的不确定性，并使用贝叶斯模型平均来估计反事实分布。第二个删除任何假设的结构方程，而不是计算的平均影响追索行动的个人类似的人寻求追索权，导致一种新的基于亚群的干预概念的追索权。然后，我们推导出一个基于梯度的程序，选择最佳的追索行动，并实证表明，所提出的方法导致更可靠的建议下不完善的因果知识比非概率基线。
2020-10-23 cs.AI cs.LG stat.ML
Health Facility Location in Ethiopia: Leveraging LLMs to Integrate Expert Knowledge into Algorithmic Planning
John A. Paulson School of Engineering and Applied Sciences, Harvard University（工程与应用科学学院，哈佛大学）；National Data Management and Analytics Center for Health, Ethiopian Public Health Institute（健康数据管理与分析中心，埃塞俄比亚公共卫生研究所）；Department of Global Health and Population, Harvard T.H. Chan School of Public Health（全球卫生与人口学院，哈佛T.H. Chan公共卫生学院）
本文提出了一种结合大语言模型和优化技术的混合框架，用于埃塞俄比亚卫生设施选址，以整合专家知识并提升规划的公平性和数据驱动性。
2026-01-29 cs.AI
Abstract Attribute Exploration with Partial Object Descriptions
属性探索已经在几项研究中进行了研究，特别强调这种知识获取方法的算法方面。在其基本版本中，该方法本身相当简单和透明。但是，当背景知识和部分描述的反例被承认，它变得更加困难。在这里，我们在一个抽象的，有点“公理化”的设置中讨论这种情况，提供一个术语来澄清方法的抽象策略，而不是它的算法实现。
2015-11-19 cs.AI
RPM-MCTS: Knowledge-Retrieval as Process Reward Model with Monte Carlo Tree Search for Code Generation
RPM-MCTS通过结合知识检索与蒙特卡洛树搜索，有效评估代码生成过程中的中间步骤，减少错误并提升效率
2025-12-17 cs.AI
From Awareness to Action: Understanding and Overcoming the Research-Practice Gap in Algorithmic Fairness for Public Health
Informatics Institute University of Amsterdam（阿姆斯特丹大学信息研究所）
通过混合方法研究，揭示算法公平性在公共卫生ML应用中从意识到行动的差距，提出Fairness-to-Action框架，整合方法、组织和系统维度，指出公平性制度化薄弱、翻译机制外部驱动及系统优先性偏重准确性的问题。
2026-06-11 cs.AI cs.CY cs.HC
Artificial Intelligence in the Service of Entrepreneurial Finance: Knowledge Structure and the Foundational Algorithmic Paradigm
University of Zagreb Faculty of Organization and Informatics（萨格勒布大学组织与信息学院）；Penn State University（宾夕法尼亚州立大学）
本文对Web of Science中1890篇文献进行文献计量分析，揭示了AI在创业金融领域的知识结构，发现ANN、DNN和SVM应用最广，并针对计算机科学与经济学间的差距提出了Monte Carlo随机算法的基础范式与演示。
2023-11-22 cs.AI
A Generalist Neural Algorithmic Learner
DeepMind（深度思维）；University of Oxford（牛津大学）；IDSIA, USI Lugano（卢加诺瑞士意大利语大学人工智能研究所）；Mila, Université de Montréal（蒙特利尔大学米拉人工智能实验室）；Purdue University（普渡大学）
神经算法推理的基石是解决算法任务的能力，特别是以分布概括的方式。虽然近年来在这一领域的方法改进激增，但它们主要集中在建立专业模型上。专家模型能够学习仅神经执行一个算法或具有相同控制流主干的算法集合。相反，在这里，我们专注于构建一个通用的神经算法学习器-一个单一的图神经网络处理器，能够学习执行各种算法，如排序，搜索，动态规划，寻路和几何。我们利用CLRS基准经验表明，就像最近在感知领域取得的成功一样，通才算法学习者可以通过“整合”知识来构建。也就是说，只要我们能在单任务模式下学习如何很好地执行算法，就有可能在多任务模式下有效地学习算法。出于这一动机，我们提出了一系列改进的输入表示，培训制度和处理器架构CLRS，提高平均单任务性能超过20%，从现有技术。然后，我们进行了彻底的消融多任务学习者利用这些改进。我们的研究结果表明，一个通才学习者，有效地结合了专家模型捕获的知识。
2022-12-03 cs.AI cs.LG stat.ML
From Statistical Knowledge Bases to Degrees of Belief
一个智能体通常不确定其环境的各种属性，当在该环境中行动时，它经常需要量化其不确定性。例如，如果智能体希望采用决策理论的预期效用范式来指导其行动，它将需要为各种断言分配置信度（主观概率）。当然，这些置信度不应该是任意的，而是应该基于代理人可获得的信息。本文介绍了一种方法，从非常丰富的知识库，可以包括特定的个人，统计相关性，物理定律和默认规则的信息诱导程度的信念。我们称之为随机世界方法。该方法基于无差异原则：它将智能体认为可能的所有世界视为同等可能。它能够通过提供一种语言来集成定性缺省推理和定量概率推理，在这种语言中，两种类型的信息都可以很容易地表达。我们的研究结果表明，在直接推理（推理从统计信息的结论对个人）和默认推理直接遵循{从}随机世界的语义出现的一些desiderata。例如，随机世界捕捉了重要的推理模式，如特异性，遗传，对无关信息的漠不关心，以及独立性的默认假设。此外，所使用的语言的表达能力和随机世界的直观语义允许该方法处理超出许多其他非演绎推理系统范围的问题。
2003-07-24 cs.AI
Automated Algorithmic Discovery for Scientific Computing through LLM-Guided Evolutionary Search: A Case Study in Gravitational-Wave Detection
International Centre for Theoretical Physics Asia-Pacific（国际理论物理中心亚太中心）；University of Chinese Academy of Sciences（中国科学院大学）；Taiji Laboratory for Gravitational Wave Universe（引力波宇宙Taiji实验室）；Tsinghua University（清华大学）
针对科学计算自动算法发现的设计空间大、约束强、需可解释等难题，提出融合LLM与树结构进化搜索的Evo-MCTS框架，在引力波探测任务中性能显著优于现有方法，提供了通用的可解释自动算法发现方案。
2025-11-16 astro-ph.HE astro-ph.IM cs.AI
Are you Synthesizing or Recalling? Evaluating LLMs on Algorithmic Code Retrieval
University of Edinburgh（爱丁堡大学）
本文提出AlgoREval基准，评估LLM在经典算法代码检索中的能力，发现准确率因语言和输入表示而异，提示增强和微调可提升性能，并警示需验证AI生成代码。
2026-10-05 cs.AI cs.CL cs.LG
Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design, Performance Comparison and Genetic Transferability Analysis
TECNALIA（泰克纳利亚研究院）；University of the Basque Country (UPV/EHU)（巴斯克地区大学）；DaSCI Andalusian Institute of Data Science and Computational Intelligence（安达卢西亚数据科学与计算智能研究所）；University of Granada（格拉纳达大学）
多任务优化是一个新兴的研究领域，最近获得了显着的研究势头。与专注于一次解决单个任务的传统优化范式不同，多任务处理解决了如何通过执行单个搜索过程同时解决多个优化问题。有效实现这一目标的主要目的是利用待优化问题（任务）之间的协同作用，通过知识转移相互帮助（因此被称为转移优化）。此外，进化多任务（EM）的概念是指多任务环境采用演化计算的概念作为他们的灵感，同时解决正在考虑的问题。因此，EM方法，如多因子进化算法（MFEA）已显示出显着的成功时，处理多个离散的，连续的，单，和/或多目标优化问题。在这项工作中，我们提出了一种新的算法方案，多因子优化方案-多因子细胞遗传算法（MFCGA）-这取决于从元胞自动机的概念，实现机制，交换知识的问题。我们进行了广泛的性能分析建议MFCGA和比较它的典型MFEA在相同的算法条件下，超过15个不同的多任务设置（包括不同的参考实例的离散旅行推销员问题）。这种分析超越性能基准的进一步贡献是问题实例之间的遗传可转移性的定量检查，引发了沿着MFCGA搜索过程的不同优化任务之间出现的协同作用的实证证明。
2020-03-24 cs.AI cs.NE
Enhancing literature review with LLM and NLP methods. Algorithmic trading case
University of Warsaw（华沙大学）
本研究利用NLP和LLM方法，通过筛选1.36亿篇论文中的14,342篇相关文献，比较传统与先进主题建模技术，揭示算法交易研究趋势，并证明LLMs在文献综述中处理复杂问题的有效性。
2024-10-23 cs.AI cs.LG q-fin.ST
Towards a Manifesto for Cyber Humanities: Paradigms, Ethics, and Prospects
University of Genova（热那亚大学）；Roma Tre University（罗马第三大学）
本文提出“网络人文学”宣言，旨在为后数字时代人文学术研究构建融合伦理设计与参与式知识系统的灵活框架，并通过十项基本原则重新审视算法基础设施对文化、创造力和集体记忆的影响。
2025-08-03 cs.AI cs.CY cs.DL
PMGT-VR: A decentralized proximal-gradient algorithmic framework with variance reduction
Shenzhen Research Institute of Big Data（深圳大数据研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；University of Science and Technology of China（中国科学技术大学）；Hong Kong University of Science and Technology（香港科技大学）
本文考虑分散组合最优化问题。我们提出了一种新的分散方差减少近似梯度算法框架，称为PMGT-VR，它是基于多种技术的组合，包括多共识，梯度跟踪和方差减少。所提出的框架依赖于模仿集中式算法，我们证明了在这个框架下的算法实现收敛速度类似于他们的集中式同行。我们还描述和分析了两种代表性算法：PMGT-SAGA和PMGT-LSVRG，并将它们与现有的最先进的邻近算法进行比较。据我们所知，PMGT-VR是第一个线性收敛的分散随机算法，可以解决分散复合最优化问题。数值实验证明了算法的有效性。
2021-06-05 cs.AI math.OC
Simon Says: Evaluating and Mitigating Bias in Pruned Neural Networks with Knowledge Distillation
Texas State University（德克萨斯州立大学）；Illinois Institute of Technology（伊利诺伊理工学院）
近年来，人工智能无处不在的部署在算法偏见、歧视和公平性方面引起了极大的关注。与人类造成的传统形式的偏见或歧视相比，人工智能产生的算法偏见更加抽象和不直观，因此更难以解释和减轻。在当前的文献中，关于评估和减轻修剪神经网络中的偏差存在明显的差距。在这项工作中，我们致力于解决具有挑战性的问题，评估，减轻和解释修剪神经网络中的诱导偏差。我们的论文有三个贡献。首先，我们提出了两个简单而有效的度量，组合误差方差（CEV）和对称距离误差（EFT），以定量评估修剪模型的诱导偏差预防质量。其次，我们证明了知识蒸馏可以减轻修剪神经网络中的诱导偏差，即使是不平衡的数据集。第三，我们揭示了模型相似性与修剪诱导的偏差有很强的相关性，这为解释为什么修剪后的神经网络会出现偏差提供了一个强有力的方法。我们的代码可在https://github.com/codestar12/pruning-distilation-bias上获得
2021-06-15 cs.AI cs.CV cs.LG
