first-order logic
PulseAugur coverage of first-order logic — every cluster mentioning first-order logic across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的COCOLogic-V2数据集推动了AI视觉归纳推理能力
研究人员推出了COCOLogic-V2，一个旨在提升AI模型视觉归纳推理能力的新数据集。该数据集专注于以物体为中心的真实世界图像，并涵盖了很大一部分一阶逻辑，目标是超越通常用于评估可解释模型（如概念瓶颈模型和程序合成方法）的简单任务。使用COCOLogic-V2进行的评估显示，当前模型难以处理接近边界的负样本，凸显了视觉归纳推理仍然是一个持续的挑战。
-
马尔可夫逻辑网络对一阶逻辑展现出0-1律
研究人员证明了当领域权重按1/n缩放时，马尔可夫逻辑网络（MLNs）中的一阶逻辑存在0-1律。这意味着随着领域规模的增加，任何一阶句子的成立概率都将趋近于0或1，与权重无关。如果不进行这种缩放，行为将更加复杂，会出现7种不同的情况，具体取决于特定权重，可能导致渐近概率的相变。研究结果对大规模推理具有积极意义。
-
新的CPPO方法增强了视觉语言模型代理的视觉感知能力
研究人员开发了CPPO，一种新颖的对比感知策略优化方法，旨在增强视觉语言模型（VLM）作为代理时的能力。这种自监督方法将对比感知损失（CPL）直接整合到强化学习目标中，提高了模型对视觉输入的敏感度，而无需外部裁判或标注。CPPO使用熵移机制来识别并将此对比信号选择性地应用于感知令牌，从而实现更高效的训练和在感知关键型代理任务上更好的性能。
-
新的CPPO方法通过探索多种策略来提升代码生成能力
研究人员推出了一种名为协调Pass@K策略优化（CPPO）的新方法，通过同时探索多种不同的算法策略来增强代码生成能力。与抽取独立样本的标准方法不同，CPPO训练一个联合策略，其中规划器提出$K=4$个备选方法，共享求解器尝试为每个方法找到解决方案。这种协调探索在APPS、CodeContests和LiveCodeBench-v6等多个基准测试中，显著提高了pass@K指标。
-
深度同态网络在关系数据库上展现表达能力
研究人员引入了深度同态网络（DHNs）作为一种强大的学习关系数据库的架构，并将其与SQL片段进行类比。他们的研究将DHNs与各种一阶逻辑的扩展联系起来，包括带有计数和比例量词的扩展。这些发现也阐明了DHNs静态分析问题的可判定性，并通过实验结果支持了这些发现，实验结果显示了与其表达能力相符的性能差异。
-
新框架将一阶逻辑翻译成自然句子
研究人员开发了FOL2NS，一个将一阶逻辑公式转换为自然语言句子的神经符号框架。该系统旨在处理具有不同量词深度的复杂、深度嵌套的逻辑结构，而这些结构在现有数据集中常常被忽视。虽然FOL2NS在生成多样化和流畅的陈述方面表现出色，但随着逻辑输入复杂性的增加，它在保持精确的语义准确性和自然性方面遇到了困难。