An Evaluation of ChatGPT-4's Qualitative Spatial Reasoning Capabilities in RCC-8
University of Leeds（利兹大学）；The Alan Turing Institute（阿兰·图灵研究所）
本文评估 ChatGPT-4 在 RCC-8 部分拓扑演算上的经典定性空间推理能力，以检验大型语言模型相关能力主张。
2023-09-27 cs.AI
A Generalised Approach for Encoding and Reasoning with Qualitative Theories in Answer Set Programming
University of Huddersfield（哈德斯菲尔德大学）；University of Calabria（卡拉布里亚大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出了一种基于答案集编程的通用方法，用于处理需要结合定性与非定性推理的问题，并通过实验验证了其有效性。
2020-08-04 cs.AI
Exploiting Functional Dependencies in Qualitative Probabilistic Reasoning
AI Technology Office, Wright R&D Center（莱特研发中心人工智能技术办公室）
函数依赖性限制了概率网络中连接的变量之间的潜在相互作用。在定性概率推理中，可以通过引入确定性变量和修改推理规则来利用这种限制，从而在存在函数关系的情况下产生更强的结论。我描述了如何通过展示涉及概率和确定性变量及其组合的图形转换的更新程序来完成定性概率网络中的这些修改。一个简单的例子表明，增广方案可以减少定性的歧义，将出现没有特殊处理的功能依赖。定性协同分析表明，新的高阶关系需要有效地推理确定性变量之间的协同作用。
2013-03-27 cs.AI
Qualitative Reasoning about Relative Direction on Adjustable Levels of Granularity
University of Bremen（不来梅大学）；DFKI GmbH（德国人工智能研究中心）；University of Maine（缅因大学）
定性空间推理中的一个重要问题是相对方向的表示。在本文中，我们提出了简单的几何规则，使推理定向点之间的相对方向。这个框架，定向点代数OPRA_m，具有可扩展的粒度m。我们提出了一个计算OPRA_m复合表的简单算法，并证明了它的正确性.使用组合表，一组OPRA语句的代数闭包足以解决空间导航任务。事实证明，可伸缩的粒度在这些导航任务中是有用的。
2010-10-30 cs.AI
Enrichment of Qualitative Beliefs for Reasoning under Uncertainty
Huazhong Univ of Sci. and Tech.（华中科技大学）；University of New Mexico（新墨西哥大学）；ONERA（法国航空航天研究院）
本文论述了丰富的定性信念功能下的不确定性推理和组合信息表示的自然语言通过语言标签。在这项工作中，两种可能的丰富（定量和/或定性）的语言标签被认为是和运营商（加法，乘法，除法等）处理他们提出和解释。我们将它们表示为$qe$ -算子，$qe$代表“定性富集”算子。这些算子可以看作是最近在DSmT中提出的经典定性算子（$q$ -算子）的直接推广。$q$ -算子也在本文中进行了详细的证明。语言标记的数量富集是$[0,\infty)$中的一个数值支持度，而语言标记的质量富集是在一个有限的有序语言值集合中取值。定量富集不如定性富集精确，但预计更接近人类专家在表达具有支持度的语言标签时可以轻松提供的内容。给出了两个简单的例子来说明如何融合的定性丰富的信念分配。
2007-09-11 cs.AI
Oriented Straight Line Segment Algebra: Qualitative Spatial Reasoning about Oriented Objects
University of Maine（缅因大学）；University of Bremen（不来梅大学）
大约15年前，Schlieder提出了一组定向直线段（偶极子）之间的定性空间关系。这项工作在定性空间推理社区中引起了极大的兴趣。然而，事实证明，很难建立一个健全的约束演算基于这些关系。在本文中，我们提出了一个新的调查结果偶极子约束结石，使用代数方法来推导出声音的结果的组成关系和其他性质的偶极子结石。我们的研究结果是基于一个浓缩的语义的偶极关系。与通常使用的点相反，偶极子被延伸并且具有固有方向。这两个特征都是自然物体的重要属性。这使得一个简单的表示空间代理的原型推理任务。作为一个例子，我们展示了如何生成调查知识，从当地的观察街道网络。这个例子说明了快速约束为基础的推理能力的偶极演算。我们将我们的结果整合到两个推理工具，这是公开的。
2009-12-30 cs.AI
Refining Reasoning in Qualitative Probabilistic Networks
Imperial Cancer Research Fund（帝国癌症研究基金会）；Queen Mary and Westfield College（玛丽女王与西菲尔德学院）
近年来，出现了大量描述不使用数值概率的概率推理系统的论文。在某些情况下，这些系统使用的简单值集使得无法预测概率将如何变化，或者哪个假设最有可能得到某些证据。本文集中在这种情况下，并提出了一些方法，它们可以通过改进的表示来解决。
2013-02-20 cs.AI
Algebraic Properties of Qualitative Spatio-Temporal Calculi
University of Bremen（不来梅大学）；DFKI GmbH（德国人工智能研究中心有限公司）
定性时空推理是基于所谓的定性演算。这些演算的代数性质对推理算法有几个影响。但什么是定性演算？在何种程度上提出的定性演算满足这些要求？文献对第一个问题提供了各种答案，但对第二个问题只有很少的事实。在本文中，我们确定的最低要求，二进制时空演算，我们讨论了相关的公理表示和推理。我们还分析了现有的定性演算，并提供了一个分类，涉及不同的概念的关系代数。
2013-09-13 cs.AI
Integrating cardinal direction relations and other orientation relations in Qualitative Spatial Reasoning
我们提出了一个演算集成两个演算著名的定性空间推理（QSR）：弗兰克的投影为基础的基本方向演算，和一个粗糙的版本Freksa的相对方向演算。提出了一种新颖的约束传播过程，实现了两个集成演算之间的交互。考虑到相互作用的重要性示出了一个真实的例子，提供了一个不一致的知识库，其不一致性（a）不能通过分别对知识的两个组件中的每一个进行推理来检测，仅仅是因为，单独考虑，每个组件都是一致的，但是（b）通过所提出的算法来检测，这要归功于从两个组件中的每一个组件传播到另一个组件的相互作用知识。
2004-10-05 cs.AI
Towards Explainable Inference about Object Motion using Qualitative Reasoning
The Australian National University（澳大利亚国立大学）
长期以来，人们一直希望能够对物理过程进行可解释的推断。一个基本的物理过程是物体运动。推断是什么导致了一组物体的运动对于专家来说甚至可能是一项具有挑战性的任务，例如，法医学的研究文献中的大多数工作依赖于物理模拟来得出这样的推论。模拟需要一个精确的模型的基础域工作良好，基本上是一个黑盒子，从中人们很难得到任何有用的解释。相比之下，定性推理方法在对模糊信息进行透明推理方面具有优势，这使得它适合于这项任务。然而，一直没有合适的定性理论提出的物体在三维空间中的运动。在本文中，我们接受这一挑战，并制定了一个定性理论的运动刚性物体。基于这个理论，我们开发了一个推理方法来解决一个非常有趣的问题：假设有几个物体最初是静止的，现在已经开始移动。我们想推断是什么动作引起了这些物体的运动。
2018-07-28 cs.AI
An Experimental Comparison of Numerical and Qualitative Probabilistic Reasoning
Institute for Decision Systems Research（决策系统研究所）；Stanford University（斯坦福大学）
定性和无穷小概率方案与概率论的公理一致，但避免了对精确数值概率的需要。使用定性概率可以大大减少知识工程的工作量，提高结果的鲁棒性。我们实验研究如何以及无穷小的概率（kappa演算的Goldszeland和珍珠）执行诊断任务-故障排除的汽车，将无法启动与传统的数值信念网络比较。我们发现，在识别真正的故障的无穷小方案是一样好的数值方案。无穷小方案的性能显着的先验故障概率大于0.03。这些结果表明，无穷小概率方法可能是具有很大的实用价值的机器诊断与小的先验故障概率。
2013-02-27 cs.AI
A Trajectory Calculus for Qualitative Spatial Reasoning Using Answer Set Programming
University of Huddersfield（哈德斯菲尔德大学）；University of Calabria（卡拉布里亚大学）；Swinburne University of Technology（斯威本科技大学）
空间信息通常使用定性术语（如自然语言表达式）而不是坐标来表示;对这些术语的推理有几个实际应用，如公交线路规划。轨迹的表示和推理是定性空间推理的一个具体案例，它侧重于移动对象及其路径。在这项工作中，我们提出了两个版本的轨迹演算的基础上允许的属性超过轨迹，轨迹被定义为一个序列的非重叠区域的分区地图。更具体地，如果允许给定轨迹在同一区域开始和结束，则定义6个基本关系（TC-6）。如果一个给定的轨迹应该有不同的开始和结束区域，但允许循环，定义10个基本关系（TC-10）。这两个版本的演算实现为ASP程序，我们提出了几种不同的编码，包括一个通用的程序能够编码任何定性演算在ASP。所有建议的编码实验评估使用真实世界的数据集。实验结果表明，表现最好的实现可以扩展到250轨迹TC-6和150轨迹TC-10的问题，发现一个一致的配置，一个显着的改进，以前的ASP实现类似的定性空间和时间演算的输入。这份手稿正在考虑接受TPLP。
2018-04-19 cs.AI
A Qualitative Model for Reasoning about Path and Support
Umeå University（于默奥大学）
本文针对Camelot Jr.积木拼图游戏，提出一种结合质心稳定性逻辑的混合定性推理模型，以支持空间技能训练和可解释的游戏智能体开发。
2026-09-18 cs.AI
Efficient algorithm for estimation of qualitative expected utility in possibilistic case-based reasoning
Swinburne University of Technology（斯威本科技大学）
我们提出了一个有效的算法估计的可能性为基础的定性期望效用。它对决策机制很有用，其中每个可能的决策都被分配了一个多属性可能性分布。基于离散化计算期望效用的普通方法的计算复杂性随着属性的数量呈指数增长，并且可能在这些属性的数量很高时变得不可行。我们提出了一系列定理和引理证明我们的算法的正确性，具有线性计算复杂性。我们的算法已被应用于选择最有前途的合作伙伴在多方多属性谈判的背景下，也可以用于决策过程中的潜在报价作为其他类似的问题。
2012-07-04 cs.AI
Reasoning With Qualitative Probabilities Can Be Tractable
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
我们最近描述了一种形式主义，用于使用“若-则”规则进行推理，这些规则以不同的坚定性水平重新表达[18]。形式主义将这些规则解释为极端条件概率陈述，指定了不可信的数量级，这对世界的可能排名施加了约束。结果表明，一旦我们计算的优先级函数Z+的规则，一个给定的查询被确认或拒绝的程度可以计算在O（log n`）命题可满足性测试，其中n是在知识库中的规则的数量。在本文中，我们证明了计算Z+需要O（n2 X log n）的可满足性测试，而不是在[18]中列出的指数数，这在Horn表达式的情况下降低到多项式复杂度。我们还展示了如何推理与不精确的意见，可以纳入我们的形式主义，以及如何流行的信念修正和认知的战壕概念体现自然和听话。
2013-03-13 cs.AI
Deciding the Satisfiability of Combined Qualitative Constraint Networks
本文提出统一多种定性形式化方法的框架，通过两个定理证明可满足性判断的多项式复杂性，并扩展了定性形式化方法的定义。
2026-02-09 cs.AI
Fine-grained Qualitative Spatial Reasoning about Point Positions
University of Bremen（不来梅大学）
在空间环境中持续存在的能力不仅是机器人的一个基本特征。位置知识是空间的一个重要方面，在空间认知的研究领域中，已经开发了许多表示这些信息的方法。本文介绍了定性空间表示和推理的基本技术，并简要回顾了几种演算。综述了定性演算的特点和应用。一个新的演算表示和推理的定性空间方向和距离正在设计中。它支持点的三元关系上的任意粒度级别。提高组合物的复杂性的方法和实现的演算证明了它的能力。现有的定性空间演算的位置信息进行比较的新方法和未来研究的可能性进行了概述。
2019-11-15 cs.AI cs.RO
Incremental Tradeoff Resolution in Qualitative Probabilistic Networks
University of Michigan AI Laboratory（密歇根大学人工智能实验室）
贝叶斯网络中的定性概率推理经常揭示权衡：由于竞争的定性影响而模糊的关系。我们提出了两种技术，结合定性和数值概率推理来解决这种权衡，推断贝叶斯网络中的节点之间的定性关系。第一种方法逐步边缘化的节点，有助于模糊的定性关系。第二种方法评估近似贝叶斯网络的概率分布的界限，并使用这些界限来确定定性关系的问题。这种方法也是增量的，因为该算法细化随机变量的状态空间，以获得更严格的边界，直到定性关系得到解决。这两种方法都提供了系统的方法，在潜在的计算成本比纯粹的数值方法的应用程序的折衷解决方案。
2013-01-30 cs.AI
Modal Logics for Qualitative Possibility and Beliefs
University of British Columbia（不列颠哥伦比亚大学）
可能性逻辑是一种用于不确定性推理的数值形式。有兴趣发展定性帐户的可能性，以及解释之间的关系的可能性和模态逻辑。我们提出了两个模态逻辑，可以用来表示和原因的定性陈述的可能性和必要性。在这个模态框架内，我们能够识别可能性逻辑，信念和条件之间的有趣关系。特别是，最自然的条件定义通过可能性的手段默认推理是相同的珍珠的条件的电子语义。
2013-03-13 cs.AI
Logical Fuzzy Preferences
我们提出了一个统一的逻辑框架表示和推理的定量和定性的偏好在模糊答案集编程，称为模糊答案集优化程序。拟议的框架至关重要，可以界定定量偏好，而不是定性偏好的可能结果。我们展示了模糊答案集优化程序在具有模糊偏好的排课问题中的应用。据我们所知，这一发展是第一次考虑一个逻辑框架，用于一般地推理数量偏好，特别是推理数量偏好和质量偏好。
2013-04-05 cs.AI
Fusion of qualitative beliefs using DSmT
本文介绍了定性信念分配的概念，以模型的信念表示的人类专家在自然语言（与语言标签）。我们展示了如何定性的信念，可以有效地结合使用的扩展Dezert-Smarandache理论（DSmT）的似是而非的定量推理，定性推理。我们提出了一种新的算法的语言标签，它允许直接扩展的经典DSm融合规则或DSm混合规则。一个近似的定性PCR 5规则也提出了与定性平均算子。我们还展示了如何脆或区间映射可以用来间接处理语言标签。一个非常简单的例子来说明我们的定性融合规则。
2006-11-29 cs.AI
MechReasoner: A Simulator and Benchmark for Mechanistic Reasoning in Qualitative Physics
Idiap Research Institute（伊迪亚普研究所）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；University of Manchester（曼彻斯特大学）
本文提出MechReasoner，一个基于合流定性物理的模拟器和基准，用于测试大语言模型在机制推理中的可靠性，实验显示GPT-5.5准确率随机制复杂性增加而显著下降。
2026-09-29 cs.AI
Case Adaptation with Qualitative Algebras
LORIA（洛林大学计算机研究与应用实验室）；Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；ICUBE（ICUBE实验室）；Université de Strasbourg（斯特拉斯堡大学）；ENGEES（斯特拉斯堡国立水与环境工程学院）；INRA（法国国家农业研究院）
本文提出了一种在基于实例推理系统中对空间或时间实例进行自适应的方法。定性代数被用作空间和时间的知识表示语言。这种适应方法背后的直觉是应用替换，然后修复潜在的不一致，这要归功于定性代数的信念修正。从烹饪域的时间的例子。(The这篇扩展摘要所基于的论文获得了2012年基于案例推理国际会议的最佳论文奖。
2013-10-10 cs.AI
Combining Deep Learning and Qualitative Spatial Reasoning to Learn Complex Structures from Sparse Examples with Noise
Brandeis University（布兰迪斯大学）；Smart Information Flow Technologies（智能信息流技术公司）
许多现代机器学习方法需要大量的训练数据来学习新概念;相反，人类学习通常只需要很少的例子-有时只有一个-学习者可以从中提取结构概念。我们提出了一种新的方法来引入新的空间结构的人工智能智能体，结合深度学习定性空间关系与各种启发式搜索算法。代理从基于块的结构的噪声示例的稀疏集合中提取空间关系，并训练这些关系集合的卷积和顺序模型。为了创建类似结构的新示例，智能体开始将块放置在虚拟表上，使用CNN来预测每次放置后最相似的完整示例结构，使用LSTM来预测完成它所需的最可能的剩余移动集合，并使用启发式搜索推荐一个。我们通过观察其虚拟积木活动来验证代理学习概念，其中它将每个潜在的后续动作排列为构建其学到的概念。我们经验性地评估这种方法与人类参与者的块结构的评级。初始结果和定性评估的结构所产生的训练代理显示，它有广义的概念，从训练数据中，在搜索空间内执行最好的算法，以及我们如何可以提高学习和执行。
2018-11-27 cs.AI
A Hybrid Approach to Reasoning with Partially Elicited Preference Models
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；Assumption University（易三仓大学）
经典决策理论为复杂偏好的表示和推理提供了一个规范的框架。直接应用这一理论来自动决策是困难的，由于高启发成本。为了解决这个问题，研究人员最近开发了一些定性的，逻辑导向的方法来表示和推理的参考。虽然有效地解决了一些表达问题，但这些逻辑还没有被证明足够强大，无法构建实用的自动化决策系统。在本文中，我们提出了一种混合的方法，以经典的多属性效用理论为基础的偏好诱导和决策，但可以有效地利用定性方法的表达能力。具体来说，假设一个部分指定的多线性效用函数，我们展示了如何比较声明类的决策方案可以用来进一步约束的效用函数，从而确定超最优的替代品。这项工作表明，定量和定性的方法可以协同集成，提供有效和灵活的决策支持。
2013-01-23 cs.AI
Logical Probability Preferences
我们提出了一个统一的逻辑框架，表示和推理的概率定量和定性偏好的概率答案集编程，称为概率答案集优化程序。拟议的框架是至关重要的，允许定义概率定量偏好的可能结果的定性偏好。我们展示了概率答案集优化程序的一个变种的著名的护士恢复问题，称为护士恢复概率偏好问题的应用。据我们所知，这是第一次考虑一个逻辑框架的推理概率定量偏好，一般来说，推理概率定量和定性偏好特别。
2013-04-05 cs.AI
Applying Answer Set Programming with Fuzzy Membership Functions: a Case Study
DIMES Dept., University of Calabria（迪梅斯系，卡拉布里亚大学）
探讨基于模糊逻辑的回答集编程定性扩展，以连接数值信息与定性推理，通过案例展示其整合数值输入与符号推理，关键特性助力在统一声明设置中结合多种因素。
2026-07-07 cs.AI
A Survey of Qualitative Spatial and Temporal Calculi -- Algebraic and Computational Properties
University of Bremen（不来梅大学）；University of Technology Sydney（悉尼科技大学）；Otto-von-Guericke-University of Magdeburg（奥托·冯·格里克马格德堡大学）；University of Bamberg（班贝格大学）
定性时空推理（QSTR）是关于符号知识表示，通常在无限域上。采用QSTR技术的动机范围从利用计算特性，允许有效的推理，以捕捉人类的认知概念的计算框架。定性演算的概念是最突出的QSTR形式主义之一。本文首先概述了迄今为止开发的所有定性演算及其计算特性，以及基本概念和方法的广义定义，这些概念和方法现在涵盖了所有现有的演算。此外，我们提供了一个分类的演算根据其代数性质。
2016-06-01 cs.AI
A Multivariate Complexity Analysis of Qualitative Reasoning Problems
Linköpings Universitet（林雪平大学）
定性推理是人工智能的一个重要分支，其中人们用定性关系而不是数值关系来描述关系。许多这样的推理任务，例如，Allen的区间代数可以在$2^{O(n \cdot \log n)}$时间内求解，但单指数运行时间$2^{O(n)}$目前还远远达不到。在本文中，我们考虑通过由细粒度参数$n$（例如，变量的数量）和预期相对较小的粗粒度参数$k$。我们引入了$f(k) \cdot 2^{O(n)}$中可解问题的类FPE和XE，分别是$f(k)^n$和时间，并证明了这些类的几个基本性质。我们继续通过研究时间推理问题和（1）表明，有效宽度$k$的偏序时间问题是可解的$16^{kn}$时间，因此包括在XE，和（2）的网络一致性问题的艾伦的区间代数没有间隔重叠超过$k$其他是可解的$(2nk)^{2k} \cdot 2^{n}$时间，并包括在FPE。我们的多元方法是在没有办法限于这些特定的问题，并可能是一个普遍有用的方法获得单指数算法。
2022-09-30 cs.AI cs.CC
Non-Monotonic Spatial Reasoning with Answer Set Programming Modulo Theories
动态空间系统的系统建模是常识认知机器人、计算机辅助建筑设计和动态地理信息系统等广泛应用领域的关键要求。我们提出了ASPMT（QS），一种新的方法和完全实现的原型非单调空间推理-动态空间系统内的一个关键要求-基于答案集编程模理论（ASPMT）。ASPMT（QS）由一个（定性）空间表示模块（QS）和一种将紧密的ASPMT实例转换为可满足性模理论（SMT）实例的方法组成，以便通过SMT求解器计算稳定的模型。我们形式化和实现的默认空间推理和空间框架公理的概念。空间推理是通过将空间关系编码为多项式约束系统，并利用实非线性算法理论通过SMT求解来实现的。我们经验评估ASPMT（QS）与其他当代空间推理系统的逻辑编程的范围内和范围外的比较。ASPMT（QS）是目前唯一能够推理间接空间效应（即，解决分支问题），以及在非单调空间推理上下文内集成几何和定性空间信息。正在考虑将这份文件发表在TPLP上。
2016-06-28 cs.AI
Proceedings of the 2nd Symposium on Problem-solving, Creativity and Spatial Reasoning in Cognitive Systems, ProSocrates 2017
Universität Bremen（不来梅大学）
本书收录了ProSocrates 2017 Symposium：Problem-Solving，Creativity and Spatial Reasoning in Cognitive Systems（ProSocrates 2017年研讨会：认知系统中的问题解决、创造力和空间推理）的论文。ProSocrates 2017研讨会于2017年7月20日至21日在Delmenhorst的Hansewissenschaftkolleg（HWK）高级研究中心举行。这是该研讨会的第二版，旨在汇集对空间推理，解决问题和创造力感兴趣的研究人员。
2019-01-14 cs.AI
Imagine in Space: Exploring the Frontier of Spatial Intelligence and Reasoning Efficiency in Vision Language Models
针对当前先进视觉语言模型（VLMs）在空间推理上的不足，本研究假设想象是空间世界模型的主导推理机制，通过构建全合成基准SpatiaLite探究其机制，发现VLMs依赖语言表征且效率低，并提出图像驱动框架提升空间推理能力。
2025-11-16 cs.AI
Exceptional Subclasses in Qualitative Probability
University of California（加利福尼亚大学）
系统Z+ [Goldszynn and Pearl，1991，Goldszynn，1992]是一种形式主义，用于推理形式为“typically if phi then +（with strength cf）”的正规缺省值，其中6是一个正整数。该系统有一个严重的缺点，即它不批准跨异常子类的继承。在本文中，我们提出了一个扩展系统Z+，纠正这个缺点，从默认数据库中提取世界之间的附加条件。我们表明，额外的约束条件不改变数据库的一致性的概念。我们还与竞争默认推理系统进行比较。
2013-02-27 cs.AI
Reasoning about Qualitative Direction and Distance between Extended Objects using Answer Set Programming
Sabanci University（萨班哲大学）
在这篇论文中，我们介绍了一个新的形式化框架，表示和推理的定性方向和扩展对象之间的距离关系，使用答案集编程（ASP）。我们以基数方向演算（CDC）为出发点，并扩展CDC与新的种类的约束，其中涉及默认值，偏好和否定。我们将此扩展版本称为nCDC。然后通过扩充定性距离关系对nCDC进行了进一步的扩展，并将其命名为nCDC+。对于CDC，nCDC，nCDC+，我们引入了一个基于ASP的通用框架来解决一致性检查问题，解决定性空间关系的组合和反转，推断对象之间未知或缺失的关系，并找到一个合适的配置，满足给定的查询对象。
2019-09-18 cs.AI cs.LO cs.RO
Reframing Spatial Reasoning Evaluation in Language Models: A Real-World Simulation Benchmark for Qualitative Reasoning
School of Computing, University of Leeds（利兹大学计算机学院）；Alan Turing Institute（艾伦·图灵研究所）
本研究提出一个基于真实3D模拟数据的定性空间推理基准，包含多种空间关系与视角，并引入逻辑一致性检查工具，评估揭示语言模型在多跳推理和视角混合解释上的不足。
2024-05-23 cs.AI cs.CL cs.DB
Temporal Reasoning without Transitive Tables
LIPN UMR 7030 (Universit\'e Paris 13 et CNRS)\ .
定性时态信息的表示和推理是许多人工智能任务的重要组成部分。在文献中已经提出了许多模型来表示这种时间信息。所有这些都源自基于点或基于区间的框架。在这些框架的应用中出现的一个基本推理任务由以下方案给出：给定一些时间对象之间的二元关系的可能不确定和不完整的知识，找到所有这些对象之间的一致性关系。所有这些模型都需要传递表-或类似的推理规则-来解决这些任务。我们已经定义了一个替代模型，S-语言-来表示定性的时间信息，只有两个关系的\emph{precedence}和\emph{simultaneity}的基础上。在本文中，我们将展示如何使用此模型来避免传递表或推理规则来处理此类问题。
2007-06-09 cs.AI
On Distributive Subalgebras of Qualitative Spatial and Temporal Calculi
University of Technology Sydney（悉尼科技大学）
定性演算在定性时空知识的表示和推理中起着核心作用。本文研究了定性演算的分配子代数，即非空交上的（弱）合成分配子代数。对于RCC 5和RCC 8，已经证明分配子代数上的路径一致约束网络在定性意义上总是最小的且全局一致的（在强$n$-一致性的意义上）。众所周知的凸区间关系子类提供了一个这样的例子分配子代数。本文首先给出了分配子代数的一个刻划，即子代数中的一组$n\geq 3$关系的交非空当且仅当其中每两个关系的交非空.我们进一步计算并生成点代数、区间代数、RCC5和RCC8、基数关系代数和矩形代数的所有极大分配子代数。最后，我们建立了两个很好的性质，这将发挥重要作用，在有效的推理与约束网络涉及大量的变量。
2015-06-01 cs.AI
Self-Evolving Neuro-Symbolic Skills for Tool-Augmented Spatial Reasoning
该研究针对视觉-语言模型在细粒度空间任务上的不可靠问题，提出神经符号框架NeSy-Spatial，通过自演化空间技能提升工具利用精度与空间推理准确率。
2026-08-11 cs.AI
ORIGAMISPACE: Benchmarking Multimodal LLMs in Multi-Step Spatial Reasoning with Mathematical Constraints
Fudan University（复旦大学）；SII；INF Technology（INF技术）
ORIGAMISPACE通过折纸任务评估多模态大语言模型在多步空间推理和数学约束处理中的能力，提出四个评估任务并探索强化学习训练方法。
2025-11-23 cs.AI
Agentic AI with Structured CoT for Enhancing AI's Spatial Intelligence: Visualization and Reasoning of Rotation
Texas A&M University（德克萨斯A&M大学）
本研究通过结构化思维链结合上下文信息，显著提升了GPT-5.6模型在三维旋转任务上的空间推理性能，揭示了视觉、文本与推理信息整合对智能体AI空间智能的关键作用。
2026-10-20 cs.AI
Reasoning With Conditional Ceteris Paribus Preference Statem
University of British Columbia（不列颠哥伦比亚大学）；Ben-Gurion University（本-古里安大学）
在许多领域，人们希望以定性而不是定量的方式评估用户的偏好。这种定性偏好排序的表示形式是自动决策工具的重要组成部分。我们提出了一个图形表示的偏好，反映了条件依赖和独立的偏好声明下的ceteris paribus（其他条件相同）的解释。这样的表现是紧凑的，可以说是自然的。我们描述了几种搜索算法的优势测试基于这种表示，这些算法是相当有效的，特别是在特定的网络拓扑结构，如链和树结构的网络，以及polytrees。
2013-01-23 cs.AI
Selecting Attributes for Sport Forecasting using Formal Concept Analysis
Universidad de Huelva（韦尔瓦大学）；Universidad de Sevilla（塞维利亚大学）
为了解决复杂系统，将模式识别应用于它们的演化可以发挥关键作用，以了解它们的动态。需要全球模式来检测新出现的概念和趋势，其中一些具有定性性质。形式概念分析（FCA）是一种从定性数据中发现和提取知识的理论。它提供了使用蕴涵基（和关联规则）进行推理的工具。蕴涵和关联规则是有用的推理先前选定的属性，提供了一个形式化的基础，逻辑推理。在本文中，我们分析了如何应用FCA推理，以提高体育博彩的信心，通过检测时间的数据。并将其应用于建立一个基于知识的置信推理系统。
2011-08-04 cs.AI
QSTRBench: a New Benchmark to Evaluate the Ability of Language Models to Reason with Qualitative Spatial and Temporal Calculi
School of Computer Science, The University of Leeds（利兹大学计算机科学学院）；The Alan Turing Institute（阿兰·图灵研究院）；Tongji University（同济大学）
本文提出QSTRBench基准，用于评估大语言模型在定性空间和时间推理方面的能力，通过不同推理算法规则的组合性推理、反向关系和概念邻域等任务，展示了不同模型在处理不同算法规则时的表现差异，发现PA最简单而RCC-22最难。
2026-05-18 cs.AI
Spatial Reasoning in Multimodal Large Language Models: A Survey of Tasks, Benchmarks and Methods
University of Pittsburgh（匹兹堡大学）
本文调查多模态大语言模型中的空间推理问题，从认知角度分类任务和基准，分析评估方法与改进策略，揭示模型与人类推理间的差距。
2025-11-14 cs.AI
A Symbolic Approach to Reasoning with Linguistic Quantifiers
Institut de Recherche en Informatique de Toulouse（图卢兹计算机科学研究所）；Institut d'Investigacio en Intelligencia Artificial（人工智能研究所）；C.N.R.S.（法国国家科学研究中心）；Universite Paul Sabatier（保尔·萨巴蒂埃大学）；CEAB-CSIC（高级研究中心-西班牙国家研究委员会）
本文研究了概率逻辑中概率用语言量词表示时进行自动推理的可能性。每一个语言术语都被表示为一个规定的比例区间。然后，而不是传播的数字，定性的条款传播根据这些条款的数值解释。在这种情况下，量化的三段论，建模的概率规则链，研究。它表明，定性对应的这种三段论是有意义的，是相对独立的阈值定义的语言有意义的间隔，只要这些阈值仍然符合直觉。推理能力低于一个成熟的概率conquaint传播设备，但更好地对应于什么可以被认为是常识概率推理。
2013-03-13 cs.AI
Spatial Reasoning via Modality Switching Between Language and Symbolic Representations
Michigan State University（密歇根州立大学）
研究多跳文本空间故事中，将语言推理切换到几何感知模态（如布局或网格）能否提升推理性能，并提出基于可信度和复杂度的切换指标，实现原则性模态选择，使LLM性能提升高达42%。
2026-09-15 cs.AI
Representing and Reasoning with Qualitative Preferences for Compositional Systems
Iowa State University（爱荷华州立大学）
许多应用，例如，Web服务组合、复杂系统设计、团队组建等，依赖于用于标识满足某些功能要求的对象或实体的集合的方法。在满足功能需求的集合中，通常需要识别一个或多个集合，这些集合相对于描述集合的非功能属性的一组属性的用户偏好是最佳的。我们开发了一种形式主义，让用户表达属性之间的相对重要性和定性偏好的估值，每个属性。我们定义了一个优势关系，使我们能够比较对象的集合的属性，使集合的对象的偏好。我们建立了优势关系的一些关键性质。特别地，当属性内偏好关系为严格偏序，相对重要性偏好关系为区间序时，证明了优势关系为严格偏序.我们提供的算法，使用这种优势关系，以确定最首选的集合。我们表明，在一定的条件下，算法保证返回只有（声音），所有（完整），或至少有一个（弱完整）的最首选的集合。我们目前的模拟实验结果比较所提出的算法（a）的质量的解决方案（最首选的解决方案的数量）所产生的算法，和（b）他们的性能和效率。我们还探讨了一些有趣的approachtures建议我们的实验结果，涉及用户的偏好，优势关系，和算法的属性。
2014-01-16 cs.AI
VCN-Bench: A Video-Contextualized Navigation Benchmark for Spatial Reasoning over Prior Visual Experience
Tongji University（同济大学）；Shanghai AI Laboratory（上海人工智能实验室）；The University of Hong Kong（香港大学）；Zhejiang University（浙江大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
VCN-Bench是一个视频情境化导航基准，用于评估多模态大语言模型基于先验视频进行闭环空间推理的能力，实验发现导航性能有限且存在目的地解析与导航间的显著差距。
2026-09-29 cs.AI
World2Mind: Cognition Toolkit for Allocentric Spatial Reasoning in Foundation Models
Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Dept. of Comp. Sci. and Tech., Institute for AI, Tsinghua-Bosch Joint ML Center, THBI Lab, BNRist Center, Tsinghua University（清华大学人工智能院计算机科学与技术系、清华大学-博世联合机器学习中心、THBI实验室、BNRist中心、清华大学）
World2Mind通过构建空间认知地图和三阶段推理链，提升基础模型的空间推理能力，使纯文本模型也能实现复杂3D空间推理。
2026-03-10 cs.AI
The Complexity of Reasoning about Spatial Congruence
在人工智能的最新文献中，对于用于表示时空知识的各种定性关系代数，对代数子集的推理问题的计算复杂性进行了深入的研究。这些研究的主要目的是描述一组限制的极大易处理的子代数，理想情况下，在一个详尽的方式相对于托管代数。本文引入了一种新的空间同余推理代数，证明了空间代数MC-4中的可满足性问题是NP-完全的，并基于三个最大易处理子类的个体化给出了代数中易处理性的一个完全分类，其中一个子类包含基本关系.这三个代数是由16个关系中的14个、10个和9个关系形成的，这些关系形成了完整的代数。
2011-06-03 cs.AI
Reasoning for Moving Blocks Problem: Formal Representation and Implementation
Institute of Philosophy, University of Warsaw（华沙大学哲学研究所）
提出了定性推理与概率函数相结合的知识表示方法。该方法的目的是表示不确定的，定性的知识，是必不可少的移动块任务的执行。尝试形式化的常识知识进行推理和机器人的信念表示的情况演算语言。该方法在Prolog程序设计语言中实现，并针对特定的模拟场景进行测试。在大多数情况下，实现使我们能够解决给定的任务，即，移动块到所需的位置。给出了机器人推理的实例和实现程序的主要部分代码。
2013-07-28 cs.AI cs.RO
A Qualitative Model to Reason about Object Rotations (QOR) applied to solve the Cube Comparison Test (CCT)
Umeå University, Computing Science Department, Sweden（乌尔姆大学计算机科学系，瑞典）
本文提出QOR模型用于解决立方体比较测试，通过构建概念邻域图生成组成表以推理旋转。
2026-01-19 cs.AI cs.SC
Representing and Reasoning with Multi-Stakeholder Qualitative Preference Queries
Iowa State University（爱荷华州立大学）；Pennsylvania State University（宾夕法尼亚州立大学）；Lafayette College（拉斐特学院）
本文首次对多利益相关者定性偏好推理进行形式化处理，提出一种查询语言及其多种语义，并利用无交替 $μ$-演算模型检测设计了可证明正确的查询回答算法，实验验证了其可行性。
2023-07-30 cs.AI cs.DB cs.LO
From Values to Frameworks: A Qualitative Study of Ethical Reasoning in Agentic AI Practitioners
Dartmouth College（达特茅斯学院）；Microsoft Research Hub（微软研究中心）
本文通过定性研究揭示代理AI从业者在伦理推理中的三种框架：用户、设计和伦理，强调需管理这些框架以确保伦理结果。
2025-12-24 cs.AI cs.CY cs.HC
