A Logic for Reasoning about Upper Probabilities
Cornell University（康奈尔大学）
我们提出了一个命题逻辑推理的不确定性事件，其中的不确定性是由一组概率的措施分配一个概率的间隔，每个事件建模。我们给出了该逻辑的一个完备公理化，并证明了可满足性问题是NP-完全的，并不比命题逻辑的可满足性问题难。
2014-08-07 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
A logic for reasoning about upper probabilities
我们提出了一个命题逻辑%，它可以用来推理的不确定性事件，其中的不确定性是由一组概率的措施分配一个区间的概率为每个事件建模。我们给出了该逻辑的一个完备公理化，并证明了可满足性问题是NP-完全的，并不比命题逻辑的可满足性问题难。
2003-07-30 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
Reasoning about Knowledge and Strategies: Epistemic Strategy Logic
Laboratoire IBISC -- Unversit\'e d'Evry
在本文中，我们介绍了认知策略逻辑（ESL），策略逻辑的扩展与个人知识的模态算子。这种增强的框架允许我们明确地表示和推理知识代理拥有自己的和其他代理的策略。我们提供了一个语义ESL的认知并发博弈模型，并考虑相应的模型检验问题。我们证明了模型检验ESL的复杂性并不比（非认知的）策略逻辑差
2014-04-03 cs.AI cs.LO
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 Framework for Reasoning on Probabilistic Description Logics
University of Parma（帕尔马大学）；University of Ferrara（费拉拉大学）
虽然描述逻辑有几种推理机，但很少有能处理不确定性的。BUNDLE是一个推理框架，它可以利用几个OWL（非概率）推理机来执行概率描述逻辑的推理。在本章中，我们报告了BUNDLE中实现的最新进展。特别是，BUNDLE现在可以与TRILL系统的推理机接口，从而提供了一种统一的方法来使用不同的设置执行概率查询。BUNDLE可以很容易地扩展，既可以用作独立的桌面应用程序，也可以用作基于OWL API的应用程序中的库，这些应用程序需要对概率描述逻辑进行推理。推理性能很大程度上取决于推理机和计算概率的方法。我们提供了几个数据集上的不同推理设置的比较。
2020-10-02 cs.AI cs.LO
Characterising equilibrium logic and nested logic programs: Reductions and complexity
Universidad Politécnica de Madrid（马德里理工大学）；Technische Universität Wien（维也纳技术大学）
平衡逻辑是一种非单调推理的方法，它扩展了逻辑程序的稳定模型和答案集语义。特别是，它包括嵌套逻辑程序的一般情况下，任意布尔组合是允许在头部和身体的规则，作为特殊类型的理论。在本文中，我们提出了多项式减少的主要推理任务与平衡逻辑和嵌套的逻辑程序到量化命题逻辑，扩展经典命题逻辑的原子公式的量化是允许的。我们不仅为决策问题提供约简，而且为平衡逻辑和嵌套逻辑程序的中心语义概念提供约简。特别是，我们的编码映射一个给定的决策问题到一些公式，后者是有效的，正是在前者举行。我们在这里处理的基本任务是一致性问题，勇敢推理和怀疑推理。此外，我们还提供了编码测试等价的理论或程序下的不同概念的等价性，即普通，强，一致等价。对于所有考虑的推理任务，我们分析了它们的计算复杂性，并给出了严格的复杂性界限。
2009-06-13 cs.AI cs.LO
Characterizing and Reasoning about Probabilistic and Non-Probabilistic Expectation
期望是概率论的核心概念。期望的概念也适用于其他不确定性的概念。我们引入了一个命题逻辑推理的期望，语义取决于潜在的表示的不确定性。在基本表示是（a）概率，（b）概率测度集，（c）置信函数和（d）可能性测度的情况下，我们给出了该逻辑的合理而完整的公理化.我们表明，这种逻辑是更有表现力的比相应的逻辑推理的可能性的情况下的概率措施集，但同等表现力的情况下，概率，信念，和可能性。最后，我们证明了这些逻辑的可满足性是NP-完全的，并不比命题逻辑的可满足性难。
2007-04-20 cs.AI cs.LO
The Complexity of Limited Belief Reasoning -- The Quantifier-Free Case
Fudan University（复旦大学）；Australian National University（澳大利亚国立大学）；University of New South Wales（新南威尔士大学）
认知逻辑的经典观点是，主体知道其知识库的所有逻辑结果。这种逻辑全知的假设通常是不现实的，并且使得推理在计算上难以处理。避免逻辑全知全能的一种方法是将推理限制在一定的信念水平，这直观地衡量了推理的深度。“本文研究了具有置信水平的推理的计算复杂性。首先，我们表明，虽然推理仍然听话，如果水平是恒定的，复杂性跳跃到PSPACE完成-也就是说，超越经典推理-当信仰水平是输入的一部分。然后，我们进一步细化的图片使用参数化的复杂性理论，研究如何信念水平和非逻辑符号的数量影响的复杂性。
2018-05-08 cs.AI cs.LO
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
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
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 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
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
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
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
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
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
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
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
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
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
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
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
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
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
Integrating Logical and Probabilistic Reasoning for Decision Making
Rockwell International Science Center（罗克韦尔国际科学中心）；Stanford University（斯坦福大学）
我们描述了一种表示和一组推理方法，结合逻辑编程技术与概率网络表示的不确定性（影响图）。该技术强调复杂和不确定领域的概率和决策理论模型的动态构建和解决方案。给定一个查询，如果可能的话，会产生一个逻辑证明;如果不可能，会产生一个基于查询和决策域知识的影响图，并随后求解。一个统一的声明，一阶，知识表示相结合的逻辑，概率和决策理论推理的综合推理过程。
2013-03-27 cs.AI
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
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
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
Quantum Look at two Common Logics: the Logic of Primitive Thinking and the Logic of Everyday Human Reasoning
B. Verkin Institute for Low Temperature Physics and Engineering of the National Academy of Sciences of Ukraine（乌克兰国家科学院B·维尔金低温物理与工程研究所）
基于开放系统量子理论和心理对偶系统理论的思想，我们提出了两种新的非布尔逻辑。我们认为，第一个版本可以被解释为对原始（神话）思维的简化描述，第二个版本可以被解释为日常人类推理的玩具模型，其中除了逻辑演绎之外，启发式元素和信念也发挥了相当大的作用。文中还列举了支持这些解释的几个论点并进行了讨论。
2015-09-16 cs.AI math.LO q-bio.NC
A Logic for Conditional Local Strategic Reasoning
Stockholm University（斯德哥尔摩大学）；The John Paul II Catholic University of Lublin（卢布林若望保禄二世天主教大学）
我们考虑的理性代理人的行为和相互作用，在追求他们的个人和集体目标的系统。我们研究和形式化推理的代理人，或外部观察员，对其他代理人的行动的预期选择的基础上，他们的目标，以评估推理的能力，或期望，实现自己的目标。为了形式化这样的推理，我们扩展了保利的联盟逻辑与三个新的模式运营商的条件战略推理，从而介绍了逻辑局部条件战略推理ConStR。给出了并发博弈模型中新的条件策略算子的形式语义，引入了互模拟匹配的概念，证明了它们的互模拟不变性和Hennessy-Milner性质，并对它们的表达能力进行了简要的讨论和比较.最后，我们还提出了公理系统的ConStR的每个基本运营商和完整的逻辑。
2021-02-11 cs.AI cs.GT cs.LO
Logic-LM: Empowering Large Language Models with Symbolic Solvers for Faithful Logical Reasoning
University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出Logic-LM框架，通过将大型语言模型与符号求解器结合，把自然语言转化为符号公式进行推理，并引入自我修正模块，在五个逻辑数据集上显著提升了LLM的逻辑推理性能。
2023-10-19 cs.AI cs.CL
DivLogicEval: A Framework for Benchmarking Logical Reasoning Evaluation in Large Language Models
The Hong Kong University of Science and Technology（香港科技大学）；Fudan University（复旦大学）；WeChat AI, Tencent（腾讯微信AI）
本文提出DivLogicEval基准，以反直觉自然句子评估LLM逻辑推理，并引入新指标减少偏差，实验比较了多种流行LLM的性能。
2025-09-26 cs.AI cs.CL cs.LG
