Modal Logical Neural Networks
模态逻辑神经网络
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG
AI总结 模态逻辑神经网络结合深度学习与模态逻辑，通过可微逻辑护栏实现必要性与可能性推理，提升逻辑一致性和可解释性。
Comments 22 pages, 7 figures, 6 tables
AI 大模型
大模型推理能力
大模型数学、逻辑、规划、多步推理和测试时计算能力。
1. 逻辑推理 3027 篇
Generating Software Architecture Description from Source Code using Reverse Engineering and Large Language Model
基于逆向工程和大语言模型从源代码生成软件架构描述
机构 * Institute for Software and Systems Engineering（软件与系统工程研究所） ； Technical University of Clausthal（克莱斯特哈尔技术大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出利用逆向工程与大语言模型生成软件架构描述，以自动化提取组件图和行为模型，减少人工依赖并提升系统可维护性。
Rational Transductors
理性转导器
专题命中 逻辑推理 ：chain-of-thought(abstract)；分类 cs.LG
AI总结 理性转导器通过引入双流架构和理性注入方案，扩展转换器的表达能力以捕捉正则语言和$\NC^1$-完全问题，实现鲁棒的长度泛化。
TIDE: Tuning-Integrated Dynamic Evolution for LLM-Based Automated Heuristic Design
TIDE：基于大语言模型的自动启发式设计调谐集成动态进化
机构 * School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China（西安交通大学数学与统计学院） ； School of Electronics and Information, Northwest Polytechnical University, Xi’an, China（西北工业大学电子与信息学院）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 TIDE通过集成调谐的动态进化框架，解决大语言模型在自动化启发式设计中结构与参数优化耦合的问题，提升搜索效率和解的质量。
Rethinking Explainable Disease Prediction: Synergizing Accuracy and Reliability via Reflective Cognitive Architecture
重新思考可解释疾病预测：通过反思认知架构协同提升准确性和可靠性
机构 * Institute for Artificial Intelligence, Peking University ； School of Software \& Microelectronics, Peking University ； School of Computer Science, Peking University ； School of Life Sciences, Peking University ； Department of Comprehensive Oncology, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences ； Peking Union Medical College Beijing, China
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出反思认知架构（RCA），通过经验与反思直接从表格数据学习，实现预测精度与解释可靠性的协同提升。
Comments under review
CodeCircuit: Toward Inferring LLM-Generated Code Correctness via Attribution Graphs
CodeCircuit: 通过归因图推断LLM生成代码的正确性
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； IQuest Research（IQuest研究）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 CodeCircuit通过归因图分析LLM内部结构，推断生成代码的正确性，验证内部动态信号的预测能力。
PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling
PhysicsAgentABM: 基于物理的生成基于主体的建模
机构 * University of Virginia（弗吉尼亚大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG
AI总结 PhysicsAgentABM通过结合符号推理与神经网络，实现基于物理的生成式主体建模，提升大规模模拟的准确性和校准性。
Emergent Cognitive Convergence via Implementation: Structured Cognitive Loop Reflecting Four Theories of Mind
通过实现产生认知收敛：反映四种心灵理论的结构认知循环
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 Agentic Flow通过实现约束产生认知收敛，展现结构认知循环如何在实际需求下形成统一认知形式。
Comments This revised version improves conceptual consistency between Agentic Flow and the Structured Cognitive Loop (SCL; arXiv:2510.05107)
Beyond Unimodal Shortcuts: MLLMs as Cross-Modal Reasoners for Grounded Named Entity Recognition
超越单模态捷径：MLLMs作为跨模态推理器用于 grounded 命名实体识别
机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 本文提出MCR方法，通过多风格推理模式注入和约束引导的可验证优化，解决MLLMs在跨模态推理中的模态偏见问题，提升 grounded 命名实体识别的性能。
Comments GMNER
They Said Memes Were Harmless-We Found the Ones That Hurt: Decoding Jokes, Symbols, and Cultural References
他们说迷因是无害的——我们发现了那些有害的：解码笑话、符号和文化参考
机构 * Macquarie University（麦考瑞大学） ； The University of Western Australia（西澳大学） ； Stanford University（斯坦福大学） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（巴黎-罗quentcourt研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒尔研究实验室）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 CROSS-ALIGN+通过三阶段框架解决迷因滥用检测中的文化盲区、边界模糊和可解释性问题，实现性能提升和决策可解释性。
Comments Accepted at the The Web Conference 2026 (Research Track)
Canonical Intermediate Representation for LLM-based optimization problem formulation and code generation
基于LLM的优化问题建模与代码生成的规范中间表示
机构 * The Hong Kong Polytechnic University, Hong Kong, China（香港理工大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本研究提出规范中间表示（CIR）以提升LLM在复杂运营规则下的优化问题建模与代码生成能力，通过多智能体框架实现高精度建模。
Comments 41 pages, 4 figures, 5 tables
Multimodal UNcommonsense: From Odd to Ordinary and Ordinary to Odd
多模态UNcommonsense：从奇特到普通和从普通到奇特
机构 * Yonsei University（延世大学） ； Seoul National University（首尔国立大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 多模态UNcommonsense通过R-ICL框架提升模型在非典型场景下的推理能力，实现从奇特到普通和从普通到奇特的转换。
Comments 24 pages
Breaking Up with Normatively Monolithic Agency with GRACE: A Reason-Based Neuro-Symbolic Architecture for Safe and Ethical AI Alignment
与规范性单一体制代理告别：GRACE：一种基于原因的神经符号架构，用于安全和道德的人工智能对齐
机构 * German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Center for European Research in Trusted AI (CERTAIN)（可信AI欧洲研究中心） ； Saarland Informatics Campus（萨尔州信息学校区） ； Computer Science Department, TU Darmstadt（图宾根大学计算机科学系）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 GRACE是一种基于原因的神经符号架构，用于安全和道德的人工智能对齐，通过分离规范性推理与工具性决策，确保AI代理的行为符合道德规范。
Comments 10 pages, 4 figures, accepted at 2nd Annual Conference of the International Association for Safe & Ethical AI (IASEAI'26)
Beyond Medical Chatbots: Meddollina and the Rise of Continuous Clinical Intelligence
超越医疗聊天机器人：Meddollina与持续临床智能的兴起
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 Meddollina是一种以治理优先的临床智能系统，通过约束推断和保持临床适当性，解决生成模型在临床部署中的不足，推动持续临床智能的发展。
Multi-Agent Procedural Graph Extraction with Structural and Logical Refinement
多代理过程图提取与结构逻辑细化
机构 * Arizona State University（亚利桑那州立大学） ； NEC Labs America（NEC美国实验室）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出多代理框架\model{}，通过结构和逻辑细化提升过程图提取的准确性和可控性。
Teaching Small Language Models to Learn Logic through Meta-Learning
通过元学习让小型语言模型学习逻辑
机构 * University of Trento（特伦托大学） ； University of Warsaw（华沙大学） ； Free University of Bozen-Bolzano（博兹纳-博尔扎诺自由大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 本文通过元学习方法提升小型语言模型在三段论推理任务中的逻辑推理能力，实验表明其在低数据环境下表现优于GPT-4o和o3-mini。
Comments EACL 2026 Main
AgriPINN: A Process-Informed Neural Network for Interpretable and Scalable Crop Biomass Prediction Under Water Stress
AgriPINN：一种过程指导的神经网络，用于在水分胁迫下可解释且可扩展的作物生物量预测
机构 * Department of Computing, and Mathematics, Faculty of Science and Engineering（计算与数学系，科学与工程学院） ； Manchester Metropolitan University（曼彻斯特 Metropolitan 大学） ； Leibniz Centre for Agricultural Landscape Research (ZALF)（莱比锡农业景观研究中心（ZALF）） ； Institute of Crop Science and Resource Conservation (INRES)（作物科学与资源保护研究所）
专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI
AI总结 AgriPINN通过整合生物物理作物生长方程，实现可解释且可扩展的水分胁迫下作物生物量预测。
CI4A: Semantic Component Interfaces for Agents Empowering Web Automation
CI4A: 为网络自动化赋能的语义组件接口
机构 * School of Cyberspace Science and Technology, Beijing Institute of Technology（电子信息学院，北京理工大学） ； College of Computer Science and Artificial Intelligence, Fudan University（计算机科学与人工智能学院，复旦大学）
专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI
AI总结 CI4A 通过构建语义组件接口，提升代理在网页自动化中的表现，实现 86.3% 的任务成功率。
Comments 9 pages, 5 figures
ThinkRec: Thinking-based recommendation via LLM
ThinkRec: 基于思考的推荐方法
机构 * Zhejiang University（浙江大学） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 ThinkRec通过引入思考激活机制和实例级专家融合机制，提升推荐系统的准确性和可解释性。
Comments Published on WWW'26: In Proceedings of the ACM Web Conference 2026
NeuroShield: A Neuro-Symbolic Framework for Adversarial Robustness
NeuroShield：一种用于对抗鲁棒性的神经符号框架
机构 * University of Illinois Chicago（伊利诺伊大学香槟分校） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； Department of Computer Science（计算机科学系）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG
AI总结 NeuroShield通过整合符号规则监督提升深度神经网络的对抗鲁棒性和可解释性，其方法在对抗攻击测试中表现出显著优势。
DeepProofLog: Efficient Proving in Deep Stochastic Logic Programs
DeepProofLog: 在深度随机逻辑程序中实现高效的证明
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 DeepProofLog通过引入深度随机逻辑程序和马尔可夫决策过程的映射，提升了神经符号AI在复杂证明空间和大规模知识库中的可扩展性。
Comments Accepted as an Oral at AAAI 2026
Vendor-Aware Industrial Agents: RAG-Enhanced LLMs for Secure On-Premise PLC Code Generation
面向供应商的工业代理：增强型LLM用于安全本地PLC代码生成
机构 * Centre for Machine Learning（机器学习中心） ； Fraunhofer IOSB-INA（弗劳恩霍夫IOSB-INA研究所） ； FA-EDC ； Mitsubishi Electric Europe（三菱电机欧洲）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出了一种基于RAG增强的LLM方法，用于在低数据域中安全生成本地PLC代码，通过提示工程和定向检索提升代码生成质量。
Comments ICIT2026
Sparse Data Tree Canopy Segmentation: Fine-Tuning Leading Pretrained Models on Only 150 Images
稀疏数据树冠分割：仅在150张图像上微调预训练模型
机构 * University of Waterloo（滑铁卢大学） ； University of Calgary（卡尔加里大学）
专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI
AI总结 本文评估了五种模型在低数据下的树冠分割表现，发现卷积模型在小数据情况下表现更优，而Transformer模型因数据需求高和任务差异表现欠佳。
Comments 4 pages, 2 figures
Symbolic Rule Extraction from Attention-Guided Sparse Representations in Vision Transformers
从注意力引导的稀疏表示中提取符号规则
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出从视觉转换器中提取可执行逻辑程序的方法，通过稀疏概念层和逻辑程序生成算法提升模型的可解释性和可验证性。
Journal ref Theory and Practice of Logic Programming 25 (2025) 722-738
Inferring Latent Intentions: Attributional Natural Language Inference in LLM Agents
推断潜在意图：在LLM代理中进行归因性自然语言推理
机构 * University of Manchester（曼彻斯特大学） ； University of Sheffield（谢菲尔德大学） ； Idiap Research Institute（Idiap研究 institute） ； National Biomarker Centre, CRUK-MI, University of Manchester（国家生物标志物中心，CRUK-MI，曼彻斯特大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 本文提出归因性NLI框架，通过文本游戏实验展示其在多智能体环境中提升LLM推理能力的潜力。
Executable Ontologies in Game Development: From Algorithmic Control to Semantic World Modeling
可执行本体在游戏开发中的应用：从算法控制到语义世界建模
专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI
AI总结 本文提出利用可执行本体实现游戏开发中的语义世界建模，通过数据流条件实现任务中断，解决传统AI架构中的语义-过程鸿沟。
Comments 25 pages, 6 figures
Compliance-to-Code: Enhancing Financial Compliance Checking via Code Generation
合规至代码：通过代码生成增强财务合规检查
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Sun Yat-Sen University（孙中山大学） ； University of California, Riverside（加州大学河滨分校）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 Compliance-to-Code通过构建大规模中文金融监管数据集，提升金融合规检查的自动化水平，采用代码生成技术实现法规结构化和合规逻辑验证。
Semantic Event Graphs for Long-Form Video Question Answering
语义事件图用于长视频问答
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 语义事件图通过轻量级符号接口提升长视频问答效率，减少令牌使用并保持推理能力。
Comments 7 pages, 6 figures
ConstraintLLM: A Neuro-Symbolic Framework for Industrial-Level Constraint Programming
ConstraintLLM: 一种用于工业级约束编程的神经符号框架
机构 * Hangzhou Institute for Advanced Study, UCAS, Hangzhou, China（杭州高等研究院，UCAS，杭州，中国） ； University of Oxford, Oxford, UK（牛津大学，牛津，英国） ； University of Science and Technology Beijing, Beijing, China（北京科技大学，北京，中国） ； SKLCS and Key Laboratory of System Software, ISCAS, Beijing, China（SKLCS和系统软件重点实验室，ISCAS，北京，中国） ； Laboratory of Parallel Software and Computational Science, ISCAS, Beijing, China（并行软件与计算科学实验室，ISCAS，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国）
专题命中 逻辑推理 ：self-correction(abstract)；分类 cs.AI
AI总结 ConstraintLLM是一种专为约束编程设计的神经符号框架，通过引入Constraint-Aware Retrieval Module和Tree-of-Thoughts框架，实现了在工业级约束编程基准上的高性能求解。
Comments Accepted to the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025), Main Conference
Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, pages 15999-16019
Automated Generation of MDPs Using Logic Programming and LLMs for Robotic Applications
利用逻辑编程和大语言模型自动化生成MDP用于机器人应用
机构 * Department of Information Engineering and Computer Science, University of Trento（信息工程与计算机科学系，特伦托大学） ； Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）
专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI
AI总结 本文提出结合大语言模型与形式方法，通过逻辑编程自动生成可执行的MDP策略，用于机器人中的概率规划。
Comments 9 pages, 11 figures, 2 tables, 2 algorithms, accepted for publication in IEEE Robotics and Automation Letters
Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 2, pp. 1770-1777, Feb. 2026
