cestwc/FLD_gen

--- configs: - config_name: default data_files: - split: train path: data/train-* - split: validation path: data/validation-* - split: test path: data/test-* dataset_info: features: - name: hypothesis dtype: string - name: context dtype: string - name: hypothesis_formula dtype: string - name: context_formula dtype: string - name: proofs sequence: string - name: proof_label dtype: string - name: proofs_formula sequence: string - name: world_assump_label dtype: string - name: original_tree_depth dtype: int64 - name: depth dtype: int64 - name: num_formula_distractors dtype: int64 - name: num_translation_distractors dtype: int64 - name: num_all_distractors dtype: int64 - name: negative_hypothesis dtype: string - name: negative_hypothesis_formula dtype: string - name: negative_original_tree_depth dtype: int64 - name: negative_proofs sequence: string - name: negative_proof_label dtype: string - name: negative_world_assump_label dtype: string - name: prompt_serial dtype: string - name: proof_serial dtype: string - name: version dtype: string - name: premise dtype: string - name: assumptions sequence: string - name: paraphrased_premises sequence: string - name: paraphrased_premise dtype: string - name: assumption dtype: string splits: - name: train num_bytes: 154414314 num_examples: 36401 - name: validation num_bytes: 25351138 num_examples: 6004 - name: test num_bytes: 25945020 num_examples: 6160 download_size: 45117566 dataset_size: 205710472 --- # Dataset Card for "FLD_gen" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)configs: - config_name: 默认 data_files: - split: 训练集 path: data/train-* - split: 验证集 path: data/validation-* - split: 测试集 path: data/test-* dataset_info: features: - name: 假设（hypothesis） dtype: 字符串（string） - name: 上下文（context） dtype: 字符串（string） - name: 假设公式（hypothesis_formula） dtype: 字符串（string） - name: 上下文公式（context_formula） dtype: 字符串（string） - name: 证明序列（proofs） dtype: 字符串序列（sequence<string>） - name: 证明标签（proof_label） dtype: 字符串（string） - name: 证明公式序列（proofs_formula） dtype: 字符串序列（sequence<string>） - name: 世界假设标签（world_assump_label） dtype: 字符串（string） - name: 原始树深度（original_tree_depth） dtype: 64位整数（int64） - name: 深度（depth） dtype: 64位整数（int64） - name: 公式干扰项数量（num_formula_distractors） dtype: 64位整数（int64） - name: 翻译干扰项数量（num_translation_distractors） dtype: 64位整数（int64） - name: 总干扰项数量（num_all_distractors） dtype: 64位整数（int64） - name: 负样本假设（negative_hypothesis） dtype: 字符串（string） - name: 负样本假设公式（negative_hypothesis_formula） dtype: 字符串（string） - name: 负样本原始树深度（negative_original_tree_depth） dtype: 64位整数（int64） - name: 负样本证明序列（negative_proofs） dtype: 字符串序列（sequence<string>） - name: 负样本证明标签（negative_proof_label） dtype: 字符串（string） - name: 负样本世界假设标签（negative_world_assump_label） dtype: 字符串（string） - name: 提示序列编号（prompt_serial） dtype: 字符串（string） - name: 证明序列编号（proof_serial） dtype: 字符串（string） - name: 版本（version） dtype: 字符串（string） - name: 前提（premise） dtype: 字符串（string） - name: 假设序列（assumptions） dtype: 字符串序列（sequence<string>） - name: 释义前提序列（paraphrased_premises） dtype: 字符串序列（sequence<string>） - name: 释义前提（paraphrased_premise） dtype: 字符串（string） - name: 单个假设（assumption） dtype: 字符串（string） splits: - name: 训练集 num_bytes: 154414314 num_examples: 36401 - name: 验证集 num_bytes: 25351138 num_examples: 6004 - name: 测试集 num_bytes: 25945020 num_examples: 6160 download_size: 45117566 字节 dataset_size: 205710472 字节 --- # “FLD_gen”数据集卡片 [需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集配置

• 配置名称: default
• 数据文件:
  • 训练集: data/train-*
  • 验证集: data/validation-*
  • 测试集: data/test-*

数据集信息

• 特征:
  • hypothesis: 字符串
  • context: 字符串
  • hypothesis_formula: 字符串
  • context_formula: 字符串
  • proofs: 字符串序列
  • proof_label: 字符串
  • proofs_formula: 字符串序列
  • world_assump_label: 字符串
  • original_tree_depth: 64位整数
  • depth: 64位整数
  • num_formula_distractors: 64位整数
  • num_translation_distractors: 64位整数
  • num_all_distractors: 64位整数
  • negative_hypothesis: 字符串
  • negative_hypothesis_formula: 字符串
  • negative_original_tree_depth: 64位整数
  • negative_proofs: 字符串序列
  • negative_proof_label: 字符串
  • negative_world_assump_label: 字符串
  • prompt_serial: 字符串
  • proof_serial: 字符串
  • version: 字符串
  • premise: 字符串
  • assumptions: 字符串序列
  • paraphrased_premises: 字符串序列
  • paraphrased_premise: 字符串
  • assumption: 字符串

数据集分割

• 训练集:
  • 字节数: 154414314
  • 样本数: 36401
• 验证集:
  • 字节数: 25351138
  • 样本数: 6004
• 测试集:
  • 字节数: 25945020
  • 样本数: 6160

数据集大小

• 下载大小: 45117566 字节
• 数据集大小: 205710472 字节

搜集汇总

数据集介绍

构建方式

在自然语言推理与形式逻辑推理的交汇领域，FLD_gen数据集应运而生，旨在弥合非形式化论证与严格形式化证明之间的鸿沟。该数据集通过系统化的生成流程构建，首先从形式逻辑语料库中提取由前提（premise）和假设（assumptions）构成的推理链，并利用自动定理证明器生成对应的形式化证明（proofs）及证明标签（proof_label）。随后，通过引入负样本生成机制，构造具有对抗性的错误假设（negative_hypothesis）及其相关证明，以增强数据集的判别难度。此外，数据集中还融入了基于语言模型的释义变体（paraphrased_premises），并精心设计了包含公式干扰项（num_formula_distractors）与翻译干扰项（num_translation_distractors）的多层次干扰结构，最终形成包含训练集（36,401条）、验证集（6,004条）和测试集（6,160条）的高质量结构化数据。

特点

FLD_gen数据集的核心特点在于其多维度的逻辑推理表征能力。每条样本不仅包含自然语言形式的假设（hypothesis）与上下文（context），还对应提供严格的符号逻辑表达式（hypothesis_formula与context_formula），实现了语义与符号的双重对齐。数据集独创性地引入了证明序列（proofs）与证明标签，可清晰区分有效推理与无效推理，并通过负样本机制（negative_hypothesis等字段）强化模型对逻辑谬误的辨识能力。此外，丰富的元信息字段如原始树深度（original_tree_depth）、干扰项数量统计和世界假设标签（world_assump_label），为研究逻辑复杂性对推理性能的影响提供了精细化的控制变量。这些特性使得该数据集成为评估大语言模型形式化推理能力、鲁棒性及对抗样本处理能力的理想基准。

使用方法

FLD_gen数据集的使用兼容HuggingFace Datasets库，可通过一行代码快速加载。用户可指定配置名'default'，并利用split参数选择训练、验证或测试子集。加载后的样本以字典形式呈现，包含完整的推理字段，研究者可直接将其输入自然语言推理模型进行微调，或通过hypothesis_formula与context_formula字段训练符号逻辑解析器。对于需要评估模型对抗鲁棒性的场景，可重点利用negative_hypothesis及其关联字段构建负样本测试集。此外，proofs和proof_label字段支持对模型推理过程进行监督学习，而paraphrased_premises与assumptions字段则适用于研究语义多样性对推理稳定性的影响。该数据集还提供了prompt_serial与proof_serial等序列化字段，便于进行提示工程与思维链推理的相关实验。

背景与挑战

背景概述

FLD_gen数据集由研究团队创建，旨在推动自然语言推理与形式逻辑推理的交叉领域发展。该数据集聚焦于将自然语言假设与上下文转化为一阶逻辑公式，并生成相应的证明路径，为神经符号推理研究提供了宝贵的资源。其核心研究问题在于如何利用大规模合成数据，增强模型在复杂逻辑推理任务中的泛化能力与可解释性。数据集包含超过4.8万个样本，划分训练、验证与测试集，涵盖了多种逻辑结构变体，如干扰项、负假设等。FLD_gen的发布为逻辑推理基准测试注入了新活力，促进了可解释人工智能与形式验证等方向的研究进展。

当前挑战

FLD_gen所解决的领域挑战在于自然语言推理中逻辑形式化与自动化证明的困难，传统模型常因缺乏严谨逻辑结构而陷入表面相关性匹配。构建过程中，团队面临多重挑战：一是设计覆盖广泛逻辑规则且不引入噪声的合成数据生成算法；二是平衡样本的深度、干扰项数量与翻译变体，确保数据集具有足够难度与多样性；三是验证生成证明的正确性，避免无效或循环推理；四是确保负面假设与反例的构造合理，以提升模型的鲁棒性。这些挑战共同塑造了FLD_gen作为逻辑推理基准的独特价值。

常用场景

经典使用场景

在自然语言推理与形式逻辑交叉领域，FLD_gen数据集为神经符号推理研究提供了高质量的基准资源。该数据集通过将自然语言假设与上下文配对，并辅以符号化的一阶逻辑公式及对应的推理证明链，使得研究者能够系统性地训练和评估模型在复杂逻辑推理任务上的表现。其经典使用场景涵盖基于深度学习的逻辑推理能力评估、多步证明路径生成，以及从自然语言到形式语言的语义解析。数据集中包含的干扰项（distractors）和否定假设（negative hypothesis）设计，更是对模型鲁棒性与反事实推理能力的严苛考验。

解决学术问题

FLD_gen数据集的问世，有效缓解了传统逻辑推理数据集规模有限且缺乏形式化标注的困境。它解决了如何将自然语言推理与一阶逻辑证明结构有机融合的学术难题，为探究语言模型是否真正具备符号化推理能力提供了可量化的实验平台。通过引入证明标签（proof_label）、世界假设标签（world_assump_label）以及多层次的深度信息（original_tree_depth, depth），该数据集支持研究者深入分析模型在推理链长度、干扰项数量等变量下的行为变化，推动了可解释人工智能与神经符号主义融合方向的进展。

衍生相关工作

基于FLD_gen数据集，学术界已衍生出多项具有影响力的工作。研究者利用其多粒度的标注信息，提出了联合语义解析与定理证明的端到端框架，显著提升了在复杂逻辑谜题上的准确率。部分工作聚焦于利用数据集中的否定样本与干扰项设计，开发了针对逻辑谬误检测的鲁棒训练策略。此外，该数据集还启发了将符号推理规则与预训练语言模型隐式知识相结合的混合模型，为神经符号系统的实际部署提供了方法论基础。