本文介绍一种称为连续推理的新方法，该方法将神经符号系统与知识和数据的循环学习相结合，以应对非单调推理任务，并在结果上显示了显著的改进。

May, 2023

本研究选择计算可信度作为应用领域，评估了异议论证推理的推理能力，并将其与模糊推理和专家系统进行了比较。结果表明，与基线相比，基于异议论证的模型表现更为稳健。这项研究扩展了先前工作，从而提高了异议论证作为处理数据和知识不确定性的一种复杂方法的普适性。

Jun, 2022

本文研究了非单调推理的一般模式，并试图通过参考积极属性来绘制非单调推理领域的地图，其中集中关注一些非单调推理的后果关系，并定义和表征了五个这样的后果关系家族。

Feb, 2002

提出了一种新的生成概率性整体解释和模型协调解释的框架，该框架能够在不确定环境中生成可理解的决策解释。

May, 2024

研究如何使用先前经过训练的语言模型、神经知识模型和相关任务的远程监督等，通过训练生成解释原因的生成模型来推断自然语言解释。然而，结果表明，由于神经语言模型的基本限制，该模型生成的解释仅限于具有普遍性的陈述，而在进行推理的同时预测更新或其类型和生成理由是更具挑战性的，这是未来的重要方向。

Dec, 2020

本文介绍了 Monotonicity Entailment Dataset (MED)，并研究了最先进的 NLI 模型在该测试集上的表现。结果表明，这些模型的表现相当差，特别是在向下推理方面，并且数据增强方法显示这些模型的向上和向下推理的泛化能力受到限制。

Jun, 2019

该论文探讨了大脑是贝叶斯机器的假设，给出了一种基于 Bayesian 算法和数据结构的逻辑推理方法，并详细描述了它们的抽象推理属性及优点。

May, 2020

科学信息化机器学习模型中应用可解释机器学习方法是否会得到一致的科学解释是本研究的关键问题，通过引入领域知识，提出了描述单调性的三个公理，并得出结论当仅涉及个体单调性时，基准 Shapley 值提供了良好的解释，但当涉及强对数单调性时，集成梯度方法在平均上提供了合理的解释。

Sep, 2023

本文研究透明度和解释与人工智能决策相关的问题。通过引入反事实解释的概念，提出一种新方法，即针对决策集合提供一致且高效的解释。

May, 2022

最近的关于 LLMs 推理的学术研究提供了令人印象深刻的表现和对机器生成或人类反馈的灵活适应的证据。非单调推理对于人类认知来说至关重要，用于在现实世界中进行导航，但仍然是一个具有挑战性但研究不足的任务。我们研究了七种最先进的 LLMs 在一个抽象推理任务和一个常识推理任务中的非单调推理能力，这两个任务都涉及到如 “鸟会飞” 和 “企鹅不会飞” 等概括性陈述以及其例外情况。虽然 LLMs 表现出与人类非单调推理能力相符合的推理模式，但在支持性例子（“猫头鹰会飞”）或不相关信息（“狮子有鬃毛”）的添加时，它们无法保持对概括陈述的真实性条件的稳定信念。我们的研究结果突显了将人类推理行为归因于 LLMs 以及评估其总体能力的隐患，而一致的推理仍然难以实现。

Jun, 2024