Sep, 2022

自动规范推理中从 LegalRuleML 到 TPTP 的桥梁（扩展版）

PDF
TL;DR本文提出了一种基于 TPTP 格式的伦理多元化推理语言，并提供了 LegalRuleML 与该语言之间的翻译模式，基于该模式提出了一种灵活的自动化伦理推理架构。
legalrulemlnormative reasoningtptplogic-pluralisticautomated reasoning
发现论文，激发创造
  • 使用 LegalRuleML 实现推理

    本文介绍了将使用 LegalRuleML 表述的法规转化为一种模态弱化逻辑的方法，以实现自动化合规检查。

    Nov, 2017

  • TPTP 世界中的非经典逻辑自动推理

    本文介绍了 TPTP World 的最新扩展，提供用于非经典逻辑推理的语言和基础设施，并与现有 TPTP World 自由衔接

    Feb, 2022

  • 自动化法律中的可退后推理

    研究纠纷推理在基于规则的系统中的应用，提供了两种推理方法并将规则转换为公式。

    May, 2022

  • 基于 LLM 的交通规则度量时间逻辑形式化框架 TR2MTL

    TR2MTL 框架利用大型语言模型自动将交通规则（TR）翻译成度量时态逻辑（MTL），实现对自动驾驶规则形式化的人机协同系统。它采用一种上下文学习方法引导语言模型逐步进行翻译，生成有效且语法正确的 MTL 公式，具有高准确性和泛化能力。同时，该方法能有效地预测不规则交通规则中具有不同逻辑和语义结构的公式。

    Jun, 2024

  • 端到端可导证明中学习推理策略

    本文提出了一种名为 Conditional Theorem Provers（CTPs）的方法，它是 Neural Theorem Provers（NTPs）的扩展，可以通过基于梯度的优化学习出最优规则选择策略以实现可解释性和可扩展性，并且在大规模任务中表现优异。CTPs 在 CLUTRR 数据集上取得了表现最优结果，并在标准基准测试中展现了比其他神经符号模型更好的链接预测结果。

    Jul, 2020

  • 基于原子知识库的机器翻译的规则学习

    机器学习模型，特别是语言模型，被应用于需要推理的各种任务。我们探索了 transformers 将自然语言中表达规则的句子翻译成逻辑规则的能力，以便进行可信的和受控制的逻辑推理。通过使用 DKET 数据集和基于 Atomic 知识库的语言到逻辑翻译数据集进行实验。

    Nov, 2023

  • NLProlog: 自然语言问答中基于弱一致性的推理

    本文提出一种将神经网络与逻辑编程相结合的方法，用于解决自然语言处理的多跳推理问题，通过底层表示层面上的结合，使得具有逻辑规则的解释型结果可以应用于自然语言处理领域，同时在两个不同的问题回答任务上达到了竞争水平。

    Jun, 2019

  • RuleBert: 针对预训练语言模型的软规则教学

    本研究通过教授 PLMs 如何使用软 Horn 规则来提高其推理任务的性能，并通过一个分类任务和损失函数来辅助训练，从而实现了高精度的推理。

    Sep, 2021

  • LLMs 是否能够运用推理规则？用于压力测试和改善 LLMs 的逻辑支撑

    通过基于逻辑搭建的推理规则生成框架 ULgogic 对 GPT 系列模型进行分析，揭示了它们在逻辑理解方面与人类表现相比存在的显著差距，尤其是在具有某种偏见模式的复合和结构复杂规则方面；同时，我们采用这些规则构建了一个小规模推理引擎，用于灵活地生成规则并增强下游推理能力，经过多评估者评估，我们的推理引擎证明在生成准确、复杂和抽象的结论和前提方面非常有效，从而为增强大型语言模型的逻辑推理能力提供了启示。

    Feb, 2024

  • 教授 Transformer 概率逻辑推理

    本研究分析了 transformer-based 语言模型中的概率逻辑规则应用，并提出了 Probabilistic Constraint Training (PCT) 方法，该方法显式地模拟了概率逻辑推理，并在新的 QA 基准中评估了其准确性和可解释性。结果表明，该方法可以提高基本语言模型在需要概率逻辑推理时的准确性和解释性，并且该技术的学习也可适用于新的情境。

    May, 2023