- SHACL2FOL:SHACL 决策问题的 FOL 工具包
SHACL2FOL 是一款自动工具,能将 SHACL 文档转换为 FOL 句子,并计算满足性和包含性这两个静态分析问题的答案,进而通过与 E 和 Vampire 等定理证明器集成,输出相应的一阶逻辑理论。这个工具可以提供 SHACL 语义的 - 图神经网络的逻辑精炼
我们提出了一种基于逻辑的可解释模型,用于学习图形,并通过图神经网络(GNN)提炼该模型的算法。我们通过决策树模型以及扩展的二阶逻辑(C2)从 GNN 中提炼可解释的逻辑分类器,测试结果表明在可被 C2 表达的情况下,我们的方法优于 GNN。
- 评估仅编码器 Transformer 模型的逻辑推理能力
本文研究了仅编码器变换器语言模型在逻辑规则推理方面的能力,并通过多个数据集的实验结果表明,这些语言模型在确定逻辑有效性上取得了合理的程度,但在迁移能力方面存在困难,可能是学习了特定数据集的特征而不是一般的能力,同时通过分层探测实验证明假设分 - 人机交互中自然语言量词的形式化
介绍了一种形式化自然语言中量词的方法,运用于人机交互的背景下,该方法基于带有变量基数表示能力的一阶逻辑,类似于广义量词的操作;通过设计了一个端到端系统,能够接收自然语言输入,将其转换为形式逻辑表示,进行评估,并返回结果或向模拟机器人发送命令 - 走向元宇宙逻辑的一些初步步骤
本研究旨在探寻应用于真实世界和虚构领域的计算机多元宇宙应用程序,考虑到一阶逻辑无法处理甚至是最简单的信息系统,因此使用非传统扩展采用最小复合逻辑策略,并借助 AI 代理 ChatGPT 探讨理论概念...
- 基于知识的规划的范畴表示语言和计算系统
本文提出了基于范畴论概念的 C - 集合和双推出重写 (DPO) 的计划表示的一种替代方法,其可以有效处理支持所有层次域抽象的关于世界状态的结构化知识,提供了使用知识图谱和关系型数据库对世界状态和计划更新建模的形式语义,相较于经典规划表示, - SCL (FOL) 能模拟非冗余叠加子句学习
通过固定减少顺序,基于超前法逻辑来推导非冗余子句,本研究展示了 SCL (FOL) 可以模拟无相等符号的一阶逻辑。我们建立一个地面部分模型,根据固定的顺序来执行基于超前法的推理,其中假面积分的最小 false 地面实例触发非冗余超级位置推论 - 基于度量的解析结构抽象逻辑系统的 Lindstrom 可刻画性
该论文主要探讨了一些逻辑系统及其特性,包括一种基于度量(解析结构)的谓词逻辑系统,其定义了一种新型满足性,是描述具有勒贝格积分和满足紧致性,基本链条件和弱否定的解析结构的逻辑系统中的极大系统。
- 基于概括的相似性
本文从抽象代数和定性相似性的角度探讨类比推理理论的数学基础,并证明了这一方法具有明显的数学性质和可行性意义。
- 一阶逻辑双变量片段中的精确采样
本文研究了最近由 Wang 等人提出的一阶逻辑采样问题 —— 如何在有限域上高效地采样给定一阶句子的模型?我们将他们对于双变量逻辑 FO^2 的普遍量化子片段 UFO^2 的结果扩展到整个 FO^2 片段。具体来说,我们证明了 FO^2 在 - 机器学习与赫布兰宇宙
本文介绍了一种基于机器学习和 Herbrand 定理的方法,选取有限的 Herbrand universe 中的正确实例,以便将一阶逻辑问题转化成命题问题,并证明了该方法在多种数学问题中具有高准确性。
- 知识图谱逻辑推理的神经方法
本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法,并展示了实验室中的卓越性能,该方法可以处理包括否定查询在内的全一阶逻辑查询。
- ICML知识图谱逻辑查询的神经符号模型
本文提出了一种名为 GNN-QE 的神经符号模型,用于回答复杂的一阶逻辑查询,在解决神经方法推理难以解释的问题的同时,取得了较显著的实验成果。
- 使用 GNNs 学习通用策略而不需要监督
该研究利用图神经网络 (GNNs) 解决传统规划域的泛化策略学习问题。结果表明,这种方法可以获得最优性和广义性之间的平衡,从而实现泛化性能更好的规划。
- 具有逻辑神经网络的神经符号归纳逻辑编程
采用逻辑神经网络学习归纳逻辑规则,得出高度可解释且具有灵活参数化以适应数据的规则。
- MMFOLASP: FO (.) 作为答案解决器的输入语言
该研究论文介绍了一种将一种基于一阶逻辑的扩展语言 FO (.) 转换为 Answer Set Programming (ASP) 的方法, 从而使得基于 ASP 的程序可以作为 FO (.) 的解决器,实验结果表明这种组合可以快速有效地解决 - 基于熵的神经网络逻辑解释
该论文提出了一种基于熵的标准及一种新的端到端可微分的方法,用于从概念神经网络中提取逻辑解释,该方法使用一阶逻辑的形式化定义,并考虑了四个案例研究来证明这种熵基准能够从临床数据到计算机视觉中,在安全关键领域中提取简洁的逻辑解释。
- 知识图谱中的多次逻辑推理的 Beta 嵌入
BetaE 是一个可处理不完整的知识图谱中任意一阶逻辑查询的概率嵌入框架,使用带限制支持的概率分布,具有更多的一阶逻辑操作并可以精确建模不确定性,相对于目前仅能处理且合取查询无法处理否定的最前沿知识图推理方法,BetaE 提高了高达 25. - 探索将自然语言解析成一阶逻辑的神经模型
本篇研究使用神经网络模型来实现自然语言文本到一阶逻辑表达式的语义解析,在此基础上提出了一种改进的编码 - 解码模型,能够更加准确地生成一阶逻辑公式,并通过大规模数据集的评估证明了这种方法的有效性和可扩展性。最终将研究代码和数据集公开,为进一 - 神经逻辑归纳学习:高效解释技能的学习
本研究提出了一种名为 “神经逻辑归纳学习” 的可微分归纳逻辑编程框架,通过学习可以解释数据模式的一阶逻辑规则,与现有的方法相比,具有更高的效率和可扩展性。