基础信息
- 作者：Yuanzhe Hu; Yu Wang; Julian McAuley
- 期刊/日期：ICLR 2026；arXiv:2507.05257v4，2026-06-28
Q1. 研究动机
当前 agent benchmark 主要评估推理、规划、工具使用和代码执行，但长期记忆是 agent 能否持续服务用户的核心能力。
论文 · Evaluating Memory in LLM Agents via Incremental Multi-Turn Interactions
论文 · LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory
论文 · Tug-of-War Between Knowledge: Exploring and Resolving Knowledge Conflicts in Retrieval-Augmented Language Models
论文阅读 · Hinge-Loss Markov Random Fields and Probabilistic Soft Logic
基础信息
- 作者：Stephen H. Bach, Matthias Broecheler, Bert Huang, Lise Getoor
- 期刊/日期：Journal of Machine Learning Research 18 (2017) 1-67；Submitted 12/2015, Revised 12/2016, Published 10/2017
- 核心贡献：提出 Hinge-Loss Markov Random Fields (HL-MRFs) 和 Probabilistic Soft Logic (PSL)，用连续 [0,1] 变量、hinge/squared hinge loss 与一阶逻辑式规则统一表达结构化依赖，并用 ADMM MAP 推理和多种权重学习方法实现大规模可扩展建模。
Q1. 研究动机
许多机器学习问题既结构复杂又规模很大，例如社交网络、知识图谱、Web、图像和自然语言。传统结构化模型越表达丰富，推理和学习越难扩展；作者希望找到一个兼具逻辑表达能力和大规模凸推理效率的建模形式。
论文阅读 · Markov Logic Networks
基础信息
- 作者：Matthew Richardson, Pedro Domingos
- 期刊/日期：Machine Learning 62:107-136, 2006；Published online: 27 January 2006；DOI: 10.1007/s10994-006-5833-1
- 核心贡献：提出 Markov Logic Networks (MLNs)，通过给一阶逻辑公式附加权重，把硬逻辑知识库变成 Markov network 模板，并给出基于 query-focused grounding、MCMC、pseudo-likelihood 和 ILP 的推理与学习流程。
Q1. 研究动机
AI 长期希望把概率图模型处理不确定性的能力与一阶逻辑表达关系知识的能力结合起来。纯逻辑对错误和矛盾很脆弱，纯概率图模型又难以紧凑表达关系结构；作者希望用一个简单表示同时获得两者优势。