数理逻辑—推理理论

简介: 数理逻辑—推理理论

正文


1 推理的通俗解释


推理是从前提推出结论的思维过程,前提是指已知的命题公式,结论是指从前提出发应用推理规则推出的命题公式,当推理正确且前提也正确时,结论一定正确。


2 构造证明法——证明推理正确的方法之一


构造证明法是按照给定的规则进行,其中有些规则建立在推理定律(即重言蕴含式)的基础之上。


推理定律:

00000000000000000000000.png

根据公理和上述推理定律,可以得到下面的常用推理规则


000000000000000000.png


其中,A 1 , A 2 , . . . , A k ⊨ B 表示B 是A 1 , A 2 , . . . , A k  的逻辑结论,若A 1 , A 2 , . . . , A k  已经得证,则可以引入B


构造证明法举例

构造下列推理的证明:

前提:p → ( q ∨ r ) , s → ¬ q , p , s

结论:r

证明:


p(qr)(前提引入)

p(前提引入)

qr(①②假言推理)

s¬q(前提引入)

s(前提引入)

¬q(④⑤假言推理)

r(③⑥析取三段论,得证)


2.1 附加前提证明法


结论为蕴含式时适用该技巧,蕴含式的前件即为附加的前提,这时可以将附加的前提作为前提使用。

附加前提证明法举例

构造下列推理的证明:

前提:p → ( q → r ) , ¬ s ∨ p , q

结论:s → r

证明:

¬s

s(前提引入)

p(①②析取三段论)

p(qr)(前提引入)

qr(③④假言推理)

q(前提引入)

r(⑤⑥假言推理,得证)


2.2 归谬法


当结论简单时(通常为一个命题变项)适用该技巧,将结论的否定式引入证明,观察证明结果的真假,若证明结果为假,则说明前提与结论的否定式不相容,推理正确。

归谬法举例

构造下列推理的证明:

构造下列推理的证明:

前提:p → ( ¬ ( r ∧ s ) → ¬ q ) , p , ¬ s

结论:¬ q

证明:


p(¬(rs)¬q)(前提引入)

p(前提引入)

¬(rs)¬q(①②假言推理)

¬(¬q)(结论的否定式引入)

q(④置换)

rs(③⑤拒取式)

¬s(前提引入)

s(⑥简化)

s¬s(⑦⑧合取)

0(结论为假,得证)


相关文章
|
5月前
|
机器学习/深度学习 测试技术
强化学习让大模型自动纠错,数学、编程性能暴涨,DeepMind新作
【10月更文挑战第18天】Google DeepMind提出了一种基于强化学习的自动纠错方法SCoRe,通过自我修正提高大型语言模型(LLMs)的纠错能力。SCoRe在数学和编程任务中表现出色,分别在MATH和HumanEval基准测试中提升了15.6%和9.1%的自动纠错性能。
93 4
|
2月前
|
人工智能 数据安全/隐私保护
深度揭秘CoT!普林斯顿耶鲁发布最新报告:大模型既有记忆推理、也有概率推理
普林斯顿大学和耶鲁大学研究人员发布报告,探讨链式思维(CoT)提示对大型语言模型(LLM)推理能力的影响。研究通过移位密码任务,揭示了三个关键因素:任务输出概率、预训练阶段的隐性学习及中间操作数量(噪声推理)。实验使用GPT-4、Claude 3和Llama 3.1模型,发现CoT提示可显著提升模型准确性,但也存在局限性。论文地址:https://arxiv.org/abs/2407.01687。
124 29
|
3月前
|
机器学习/深度学习 测试技术
LeCun赞转!类Sora模型能否理解物理规律?字节豆包大模型团队系统性研究揭秘
近日,字节跳动豆包大模型团队发布论文,探讨视频生成模型(如类Sora模型)在理解物理规律方面的能力,引起广泛关注并获Yann LeCun点赞。研究通过2D模拟平台测试扩散模型,发现其在分布内表现优异,但在分布外和组合泛化上存在不足,揭示了基于案例的泛化和特征优先级机制。这表明,仅靠视觉数据难以学习到真正的物理规律,未来需引入物理先验知识以提升模型性能。
94 16
|
8月前
|
机器学习/深度学习 自然语言处理
大模型概念问题之大模型在生成文本方面有哪些革命性突破
大模型概念问题之大模型在生成文本方面有哪些革命性突破
|
9月前
|
机器学习/深度学习 人工智能 算法
谷歌DeepMind:GPT-4高阶心智理论彻底击败人类!第6阶推理讽刺暗示全懂了
【6月更文挑战第10天】谷歌DeepMind团队的最新论文显示,GPT-4在高阶心智理论任务中超越了人类水平,这是AI在理解和推理人类心理状态上的重大突破。研究人员通过MoToMQA测试套件评估了大型语言模型,发现GPT-4在第6阶推理上超过成人表现。这一进展意味着AI能更好地理解用户意图,提升交互体验,但也引发了关于操纵与控制人类以及模型是否真正理解心理状态的担忧。论文链接:https://arxiv.org/pdf/2405.18870
111 3
|
10月前
|
人工智能 调度 vr&ar
探索生成模型的新篇章:扩散模型的理论与实践
【4月更文挑战第11天】扩散模型作为新兴的生成工具,基于变分自编码器(VAE)和去噪扩散概率模型(DDPM),通过逐步添加噪声生成样本,广泛应用于图像和视频生成,展示出在逆问题解决上的潜力。尽管训练复杂且计算需求高,研究者正通过新理论框架和SDE方法优化模型,以应对挑战并提升性能。
106 1
探索生成模型的新篇章:扩散模型的理论与实践
|
10月前
|
机器学习/深度学习 人工智能
论文介绍:深入解析神经语言模型的规模定律
【4月更文挑战第2天】OpenAI的论文《Scaling Laws for Neural Language Models》探索了模型规模、数据量和计算资源与性能的幂律关系。研究发现,增大模型参数、数据集和计算投入能按幂律提升性能,且模型性能与架构细节关联较小。大型模型在样本效率上更优,能在少量数据上达到与小型模型相当的性能。尽管存在理论解释和数据规模等方面的局限性,该研究为优化资源分配和设计高性能语言模型提供了关键洞见。
106 2
论文介绍:深入解析神经语言模型的规模定律
|
10月前
|
机器学习/深度学习 人工智能 关系型数据库
南京大学提出量化特征蒸馏方法QFD | 完美结合量化与蒸馏,让AI落地更进一步!!!
南京大学提出量化特征蒸馏方法QFD | 完美结合量化与蒸馏,让AI落地更进一步!!!
246 0
|
机器学习/深度学习 人工智能 自然语言处理
重新审视AI,神经网络中概念符号涌现的发现与证明(2)
重新审视AI,神经网络中概念符号涌现的发现与证明
172 0
|
机器学习/深度学习 人工智能 决策智能
重新审视AI,神经网络中概念符号涌现的发现与证明(1)
重新审视AI,神经网络中概念符号涌现的发现与证明
151 0