PulseAugur
中
实时 10:26:41
English(EN) Theorem-Grounded Execution Ontologies for Interpretable Machine Reasoning

新的TGEO框架增强了AI推理的可解释性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种名为Theorem-Grounded Execution Ontologies (TGEO)的新框架，旨在使大型语言模型的推理过程更具可解释性和可验证性。与暴露中间工件的现有方法不同，TGEO将推理建模为一个可执行的状态转换过程。该方法集成了定理族、领域本体和语义对象，以构建一个可执行的推理图，为推理过程的每一步提供显式表示。在密集定理任务上的评估表明，TGEO在创建可解释、可验证和可复现的AI推理系统方面是有效的。 AI

影响 该框架通过使AI系统的推理过程透明化，有望带来更值得信赖和更易于调试的AI系统。

排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了一个新的AI推理框架。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Raghu Anantharangachar ·

    Theorem-Grounded Execution Ontologies for Interpretable Machine Reasoning

    arXiv:2606.16010v1 Announce Type: cross Abstract: Large language models have achieved impressive performance on reasoning tasks spanning mathematics, science, programming, and commonsense inference. Despite these advances, their reasoning processes remain largely latent, making t…

  2. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Raghu Anantharangachar ·

    Theorem-Grounded Execution Ontologies for Interpretable Machine Reasoning

    Large language models have achieved impressive performance on reasoning tasks spanning mathematics, science, programming, and commonsense inference. Despite these advances, their reasoning processes remain largely latent, making them difficult to interpret, verify, replay, debug,…

相关实体

相关话题