通过人工提供或查找背景参考条件，NaturalProver 能够生成数学证明，融合符号和自然语言，提高了下一步建议和生成证明的质量，在某些需要短证明的定理上具有证明能力，并且提供的下一步建议有超过 40% 的正确和有用率。

May, 2022

本文提出了一种基于自然语言的演绎推理系统，通过将任务分解为逐步协调的步骤，并由搜索程序生成中间结论的树，可以成功地证明真实的语句并拒绝虚假的语句。

Jan, 2022

这篇论文展示了一个名为 ProofWriter 的生成模型，能够可靠地生成一个理论的两个蕴含和支持它们的自然语言证明，具有高精度的缺少检测性能，能够大幅提高神经方法用于自然语言推理的可行性。

Dec, 2020

该论文提出 ProoFVer，使用 seq2seq 模型生成自然逻辑推理作为证明，以此决定索赔真实性，它拥有最高的标签准确性和第二优秀的 FEVER 排行榜得分，证明了它的鲁棒性。

Aug, 2021

NaturalProofs 是一个使用自然数学语言编写数学命题和证明的多域语料库，可用于评估系统在数学参考检索和生成任务中确定证明中出现的关键结果的能力，并提供了许多研究理解和创建自然数学语言的挑战性数学任务的新途径。

Mar, 2021

提出了一个处理模糊的假设的新系统，使用自然语言生成模型来从一个前提中推出另一个前提并以双向的方式搜索。 使用回路验证程序过滤质量不佳的生成来确保正确性。 该系统在修改后的 EntailmentBank 数据集和名为 “Everyday Norms：Why Not?“的新数据集上表现出可以恢复跨领域和非领域的前提的能力。

Nov, 2022

通过混合演绎（前向）和择优推断（后向）生成步骤进行阴性推断，以验证其他假设的缺失证据，避免致信任错误。

Jul, 2023

通过序列到序列模型结合外部知识和符号搜索，在仅有下一步监督的情况下，生成了中间步骤，并证明其正确性，而这些生成的步骤可以通过简单的数据扩增策略，提高多个公共 NLI 数据集的综合性能。

Aug, 2022

本文提出了一种新方法 PRobr，利用神经文本表示并定义一个概率分布来预测答案和生成证明，能在马尔可夫随机场中考虑答案之间的互相关联性， 实验表明该方法在几种数据集上实现了高准确率和提升。

Jul, 2021

我们提出利用形式证明来推进几个可解释的自然语言推理（NLI）任务的方法，并利用可靠和高性能的基于逻辑的 NLI 系统生成形式证明。通过利用生成的形式证明中的深度信息，我们展示了如何使用它来定义具有结构化解释的 NLI 任务。所提出的任务可以根据解释的粒度难度进行排序，并且我们认为这些任务在许多方面都比现有的可解释 NLI 任务（或数据集）具有更少缺陷。

Nov, 2023