An Algebra of Causal Chains
University of Corunna（科伦纳大学）
在这项工作中，我们提出了一个多值扩展的逻辑程序下的稳定模型的语义模型中的每个真正的原子与一组的理由，在一个类似的精神比一组证明树。本文的主要贡献是，我们捕获的理由到一个代数的真值与三个内部操作：一个加法'+'代表替代理由的公式，一个交换产品'*'代表联合相互作用的原因和非交换产品'。'充当串联或证明构造函数。使用这种多值语义，我们得到一个标准的（非因果）逻辑程序的语法证明树和模型中的每个真原子的解释之间的一一对应。此外，由于这种代数特征，我们可以检测到语义属性，如冗余和相关性所获得的理由。我们还确定了一个基于格的表征这个代数，定义了一个直接的后果运营商，证明其连续性和它的最小不动点可以计算有限次数的迭代后。最后，通过对Gelfond和Lifschitz的程序约简进行类似的变换，定义了因果稳定模型的概念。
2013-12-20 cs.AI
Answer Sets for Logic Programs with Arbitrary Abstract Constraint Atoms
New Mexico State University（新墨西哥州立大学）
在本文中，我们提出了两种替代方法来定义答案集的逻辑程序与任意类型的抽象约束原子（C原子）。这些方法将普通逻辑程序的基于不动点和基于层次映射的回答集语义推广到具有任意类型C原子的逻辑程序的情况。结果是四个不同的答案集定义，当应用于正常的逻辑程序时是等价的。将逻辑程序基于不动点的标准语义推广到两个方向：归约回答集和求补回答集。这些定义在处理否定即失败（naf）原子时彼此不同，它们利用直接结果算子来执行答案集检查，其定义依赖于c原子w.r.t.条件满足的概念。一对诠释。另外两个定义，称为强良支模型和弱良支模型，是普通逻辑程序的良支模型的概念到具有c原子的程序的情况的推广。至于基于不动点的语义，这两个定义之间的差异源于对naf原子的处理。我们证明了通过reduce（resp.”（《易·系辞上》）“弱”者，“弱”也。强）良好支撑模型的程序，从而推广定理之间的对应关系的稳定模型和良好支撑模型的一个正常的逻辑程序类的程序与C-原子。我们表明，新定义的语义与以前介绍的语义与单调的C原子的逻辑程序，他们扩展了原来的答案集语义正常的逻辑程序。我们还研究了一些性质的回答集的程序与C-原子，并与我们的定义的几个语义逻辑程序与聚集在文献中提出的。
2011-10-10 cs.AI
Historical Review of Variants of Informal Semantics for Logic Programs under Answer Set Semantics: GL'88, GL'91, GK'14, D-V'12
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）
该研究对回答集语义下逻辑程序的非形式语义变体做历史综述，以统一术语梳理相关内容并将其对应到两大知识表示与推理范式，成果正于TPLP期刊审议。
2024-07-09 cs.AI
RConE: Rough Cone Embedding for Multi-Hop Logical Query Answering on Multi-Modal Knowledge Graphs
IIIT-Delhi（德里印度理工学院）
针对多模态知识图谱中现有逻辑查询模型难以利用多模态稠密信息的问题，提出RConE粗糙锥嵌入方法，通过候选实体筛选与子实体定位回答复杂逻辑查询，并在四个公开MMKG上超越现有最先进方法。
2025-06-11 cs.AI
System Predictor: Grounding Size Estimator for Logic Programs under Answer Set Semantics
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）
答案集编程是一种面向解决困难的组合搜索问题的声明式逻辑编程范式。虽然不同的逻辑程序可以编码相同的问题，但它们的性能可能会有很大差异。识别程序的哪个版本性能最好并不总是容易的。我们提出了系统预测（及其算法后端）估计接地大小的程序，一个度量，可以影响系统处理程序的性能。我们评估预测的影响时，作为一个指导重写产生的答案集编程重写工具投影仪和LPopt。结果表明这种方法的潜力。
2023-03-29 cs.AI
Answer Set Programming Made Easy
University of Nebraska at Omaha（内布拉斯加大学奥马哈分校）；University of Potsdam（波茨坦大学）
我们从答案集编程的民间传说中汲取了一个想法，即选择，完整性约束以及受限规则格式对于答案集编程来说已经足够了。我们在这里和那里的逻辑的背景下详细阐述了这一想法的基础，并展示了它如何可以从逻辑原则的扩展定义。然后，我们提供了一个朴素的形式的逻辑程序，可以作为一个标准形式的逻辑程序类似于合取范式在经典逻辑。最后，我们采取的关键思想，并提出了一个建模方法，为ASP初学者，并说明它可以如何使用。
2021-11-24 cs.AI
A Program-Level Approach to Revising Logic Programs under the Answer Set Semantics
Simon Fraser University（西蒙弗雷泽大学）
提出了一种基于回答集语义的逻辑程序修改方法。对于程序P和Q，目标是确定对应于P乘以Q的修正的答案集，记为P * Q。经典（AGM）修正的一个基本原则，也是指导这里方法的原则，是成功假设。在年度股东大会修订中，这规定A在K * A中。通过与成功假设的类比，对于程序P和Q，这意味着Q的答案集在某种意义上将包含在P * Q的答案集中。其基本思想是，对于P * Q，Q的三值答案集，包括正面和负面的文字，首先确定。正文字构成了一个规则的答案集，而否定文字构成了从Q产生答案集所需的最小naf文字集。这些文字被传播到程序P，以及那些不是由这些文字决定的Q规则。该方法与更新逻辑程序的工作有两个主要方面的不同。首先，我们保证修改的逻辑程序具有较高的优先级，从而满足成功假设;第二，对于修正P * Q中隐含的偏好，程序Q作为一个整体优先于P，不像更新逻辑程序，因为Q的答案集被传播到P。我们证明了AGM假设的一个核心组被满足，正如已经为更新逻辑程序提出的假设一样。
2010-07-28 cs.AI
Applications of Intuitionistic Temporal Logic to Temporal Answer Set Programming
University of Corunna, Spain（科鲁纳大学）；University of Angers, France（昂热大学）；University of Barcelona, Spain（巴塞罗那大学）；University of Potsdam, Germany（波茨坦大学）
本文通过时态平衡逻辑探讨时态答案集编程的逻辑基础，将直觉逻辑与时态逻辑编程相结合，提出新的研究方向。
2026-03-16 cs.AI cs.LO
Translating Answer-Set Programs into Bit-Vector Logic
Aalto University School of Science（阿尔托大学理学院）
答案集编程（ASP）是一种用于声明性问题解决的范例，其中问题首先被形式化为规则集，即，答案集程序，在一个统一的方式，然后通过计算程序的答案集解决。可满足性模理论（SMT）框架遵循类似的建模哲学，但语法是基于命题逻辑的扩展，而不是规则。最近，提供了从答案集程序到差分逻辑的翻译-使特定SMT求解器能够用于答案集的计算。在本文中，翻译的另一个SMT片段，即固定宽度的位向量理论的基础上进行了修改。因此，甚至可以利用更多的SMT求解器来计算答案集。初步的实验比较的结果也报告。他们建议的性能水平，这是通过不同的逻辑实现类似。
2011-08-30 cs.AI cs.LO
The RatioLog Project: Rational Extensions of Logical Reasoning
Universität Koblenz-Landau（科布伦茨-兰道大学）；Harz University of Applied Sciences（哈尔茨应用技术大学）
高级认知包括逻辑推理和用常识回答问答的能力。RatioLog项目通过自动推理和认知计算的方法解决了深度问答中的理性推理问题。在第一阶段，我们结合了信息检索和机器学习的技术，从德语版的自由百科全书“维基百科”中的大量文本中找到合适的答案候选人。在第二阶段中，自动定理证明器尝试基于其逻辑表示来验证答案候选者。在第三阶段-因为知识可能是不完整和不一致的-我们考虑扩展逻辑推理，以改善结果。在这种情况下，我们的工作对人类推理技术的应用：我们采用可废止的推理比较的答案w.r.t.具体性，道义逻辑，规范推理和模型构建。此外，我们使用集成的基于案例的推理和机器学习技术的基础上的语义结构的问题和答案的候选人学习给出正确的答案。
2015-07-30 cs.AI
LogicRec: Recommendation with Users' Logical Requirements
University of Toronto（多伦多大学）；University of Notre Dame（圣母大学）
本文形式化定义 LogicRec 推荐问题并构建基准，提出结合 LQE 与多任务知识共享机制的方法，以处理知识图谱不完整和多答案集利用问题。
2023-04-23 cs.AI
A Compiler for Ordered Logic Programs
本文描述了一个在回答集语义下将有序逻辑程序编译成标准逻辑程序的系统PLP。在有序逻辑程序中，规则由唯一的术语命名，规则之间的偏好由一组专用原子给出。一个有序的逻辑程序被转换成第二个规则的扩展的逻辑程序，其中偏好被考虑，因为在转换的理论中获得的答案集与原始理论的优选答案集相对应。由于翻译的结果是一个扩展的逻辑程序，现有的逻辑编程系统可以用作底层的推理引擎。特别是，PLP被认为是逻辑编程系统dlv和models的前端。
2000-03-08 cs.AI
A general approach to belief change in answer set programming
Simon Fraser University（西蒙菲莎大学）
我们解决问题的信念改变（非单调）逻辑编程下的答案集语义。与以往的方法，相信逻辑编程的变化，我们的形式化技术类似于那些基于距离的信念修正命题逻辑。在发展我们的结果，我们建立在SE模型提供的逻辑程序的模型理论。由于SE模型提供了一个正式的，单调的逻辑程序的特点，我们可以适应技术从信仰的修订领域的信念改变逻辑程序。我们分别介绍了修改和合并逻辑程序的方法。对于前者，我们研究了基于子集的修订以及基数为基础的修订，我们表明，他们满足大多数的AGM修改假设。对于合并，我们考虑仲裁合并和IC合并后的运营商，分别。我们还提出了编码计算的修订，以及合并的逻辑程序在同一逻辑编程框架内，引起我们的方法在现成的答案集求解器方面的直接实施。这些编码反过来反映了这样一个事实，即我们的变化操作符并没有增加基本形式主义的复杂性。
2009-12-30 cs.AI
Logic Programming with Ordered Disjunction
具有有序析取的逻辑程序（LPOD）结合了定性选择逻辑（Brewka et al. KR 2002）和答案集编程的基本思想。在回答集语义下的逻辑程序设计中引入了一种新的连接词--有序析取。新的连接词允许我们在规则的头部表示问题解决方案的替代性、排名选项：A \times B直观地意味着：如果可能，A，但如果A不可能，那么至少B。具有有序析取的逻辑程序的语义是基于答案集上的偏好关系。LPOD对于设计和配置中的应用是有用的，并且可以作为定性决策的基础。
2002-07-11 cs.AI
Interpolation in Equilibrium Logic and Answer Set Programming: the Propositional Case
King’s College London（伦敦国王学院）；Universidad Politécnica de Madrid（马德里理工大学）；Universidad de Málaga（马拉加大学）
插值是经典逻辑和许多非经典逻辑的重要性质，在计算机科学和人工智能中有着重要的应用。在这里，我们研究的插值性质的命题版本的非单调系统的平衡逻辑，建立较弱或较强的形式的插值依赖于推理关系的精确解释。这些结果也产生了一种形式的插值地面逻辑程序下的回答集语义。对于析取逻辑程序，我们还研究了与变量遗忘概念密切相关的一致插值的性质。
2010-12-17 cs.AI cs.LO
Preferred Answer Sets for Ordered Logic Programs
我们扩展答案集语义处理不一致的程序（包含经典否定），通过找到一个“最佳”的答案集。在不一致的程序中，规则的偏序是很自然的，表示满足某些规则的偏好，可能以违反不太重要的规则为代价。我们表明，这样的规则顺序诱导一个自然的顺序扩展的答案集，我们称之为首选答案集的最小元素。我们描述了所得到的语义的表达性，并表明它可以模拟否定失败，析取和其他一些形式主义，如逻辑程序有序析取。该方法被证明是有用的，在几个应用领域，例如修复数据库，其中最小的维修对应于首选的答案集。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2004-07-19 cs.AI cs.LO
Logic Embeddings for Complex Query Answering
IBM Research（IBM研究院）
在不完整的知识库上进行逻辑查询是具有挑战性的，因为：1）它要求隐式链接预测，以及2）存在一阶逻辑查询的蛮力应答在存在变量的数量上是指数的。近年来的查询嵌入方法提供了快速查询的能力，但大多数方法都是用封闭区域来建模集合逻辑，缺乏否定性。支持否定的查询嵌入使用的密度存在缺点：1）只能即兴发挥逻辑，2）使用昂贵的分布，3）对答案的不确定性建模不佳。在本文中，我们提出了逻辑嵌入，一种新的方法来嵌入复杂的查询，使用Skolemisation消除存在的变量进行有效的查询。它支持否定，但改进了密度方法：1）集成了研究良好的t-范数逻辑并直接评估可满足性，2）简化了真值建模，3）用真值界建模不确定性。逻辑嵌入在对大的、不完整的知识图谱的查询应答中具有竞争力的快速和准确性，在否定查询上优于否定查询，并且特别地，提供了对答案不确定性的改进的建模，如答案集大小和嵌入熵之间的优越相关性所证明的。
2021-02-28 cs.AI cs.DB cs.LG
Propositional satisfiability in answer-set programming
我们表明，命题逻辑及其扩展可以支持答案集编程的方式一样，稳定的逻辑编程和析取逻辑编程。为此，我们介绍了一个逻辑的基础上的逻辑命题图式和封闭世界假设的一个版本。我们称之为CWA（PS+，符号）命题图式的扩展逻辑。这种逻辑的一个重要特征是它支持对集合基数的约束进行显式建模。在本文中，我们刻画了一类问题，可以解决的有限PS+理论。我们实现了一个基于PS+逻辑的编程系统，并在PS+中设计和实现了一个处理理论的求解器。我们提出了令人鼓舞的性能结果，我们的方法-我们表明，它是有竞争力的模型，一个国家的最先进的答案集编程系统的基础上稳定的逻辑编程。
2001-07-19 cs.AI cs.LO
Evonne: Interactive Proof Visualization for Description Logics (System Description) -- Extended Version
TU Dresden（德累斯顿工业大学）
描述逻辑蕴涵的解释为大型本体的维护提供了重要的支持。在本体编辑器中通常用于此目的的“证明”精确指出本体中负责给定蕴涵的部分。蕴涵的证明使中间的推理步骤变得明确，从而解释了一个结论实际上是如何推导出来的。我们提出了一个交互式的系统，探索描述逻辑证明，称为Evonne，可视化的表达DL写的本体论的后果证明。我们描述了用于计算这些证明的方法，以及一个称为基于签名的证明浓缩的功能。此外，我们使用真实的本体来评估生成的证明的质量。
2022-05-19 cs.AI cs.LO
Logical Stochastic Optimization
提出了一个基于概率答案集规划的随机优化问题的逻辑表示和推理框架。这是通过允许概率优化聚合来建立的，例如，最小值和最大值的概率答案集编程的语言，以允许最小化或最大化的概率环境下的一些期望的标准。我们提出的逻辑随机优化框架下的概率答案集规划的应用程序的两个阶段的随机优化问题的追索权。
2013-04-06 cs.AI
Conjunctive Query Answering for the Description Logic SHIQ
Oxford University Computing Laboratory（牛津大学计算实验室）；Dresden University of Technology（德累斯顿工业大学）；The University of Manchester（曼彻斯特大学）
合取查询作为描述逻辑的一种表达性查询语言，在描述逻辑中扮演着重要的角色。虽然现代DL通常提供传递性角色，但如果在查询中承认传递性角色，则仅对DL知识库上的合取查询应答知之甚少。在本文中，我们认为工会的合取查询的知识库制定的突出DL SHIQ，并允许在查询和知识库的传递角色。我们显示在此设置的查询回答的可判定性，并建立两个严格的复杂性界限：关于组合复杂性，我们证明了有一个确定性的算法，需要时间的KB的大小为单指数和查询的大小为双指数，这是最优的查询回答。关于数据的复杂性，我们证明了在co-NP遏制。
2011-10-31 cs.AI
onlineSPARC: a Programming Environment for Answer Set Programming
Tufts University（塔夫茨大学）；Texas Tech University（得克萨斯理工大学）
逻辑编程的最新进展（例如，答案集编程范例的发展）使得将其教授给普通大学生甚至初中/高中学生成为可能。鉴于这些学生接触计算机科学的机会有限，下载、安装和使用编写逻辑程序的工具的复杂性可能是逻辑编程接触更广泛受众的主要障碍。我们开发了一个在线的答案集编程环境，一个自包含的文件系统和一个简单的界面。它允许用户键入/编辑逻辑程序，并在程序上执行几项任务，包括对程序进行查询，获取程序的答案集，以及基于程序的答案集生成绘图/动画。
2018-09-21 cs.AI
Interpolable Formulas in Equilibrium Logic and Answer Set Programming
Bar Ilan University（巴伊兰大学）；King’s College London（伦敦国王学院）；University of Luxembourg（卢森堡大学）
插值是经典和许多非经典逻辑的重要性质，在计算机科学和人工智能中有着重要的应用。本文研究了非单调平衡逻辑系统的插值性质，根据推理关系的精确解释，建立了较弱或较强的插值形式。这些结果也产生了一种形式的插值地面逻辑程序下的回答集语义。对于析取逻辑程序，我们还研究了与变量遗忘概念密切相关的一致插值的性质。平衡逻辑的一阶版本具有类似的插值性质，只要平衡模型的集合是（一阶）可定义的。由于这是所谓的安全程序和理论的情况，因此它适用于实际答案集编程中出现的常见情况。
2014-01-16 cs.AI cs.LO
Probabilistic Inductive Logic Programming Based on Answer Set Programming
National University of Ireland, Galway（爱尔兰国立大学戈尔韦）
提出了一种新的基于回答集编程（ASP）的概率知识表达形式语言。它允许注释一阶公式以及ASP规则和具有概率的事实，并从数据中学习这些权重（参数估计）。加权公式给出了一个语义方面的软，硬约束，决定了概率分布的答案集。在相关的方法相比，我们的方法推理可选地利用所谓的精简XOR约束，以减少计算的答案集的数量。我们的方法是原型实现。举例说明了引入的概念，并指出了未来研究的问题和主题。
2014-05-04 cs.AI
Neural-Symbolic Logic Query Answering in Non-Euclidean Space
Institute for Clarity in Documentation（清晰文档研究所）；Inria Paris-Rocquencourt（巴黎-罗克琴堡研究所）；Rajiv Gandhi University（拉朱·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒尔研究实验室）
本文提出HYQNET模型，通过超几何空间提升逻辑查询推理能力，结合符号与神经方法，有效处理知识图谱中的缺失链接问题。
2026-02-25 cs.AI
Logical Fuzzy Preferences
我们提出了一个统一的逻辑框架表示和推理的定量和定性的偏好在模糊答案集编程，称为模糊答案集优化程序。拟议的框架至关重要，可以界定定量偏好，而不是定性偏好的可能结果。我们展示了模糊答案集优化程序在具有模糊偏好的排课问题中的应用。据我们所知，这一发展是第一次考虑一个逻辑框架，用于一般地推理数量偏好，特别是推理数量偏好和质量偏好。
2013-04-05 cs.AI
Query Answering in Resource-Based Answer Set Semantics
DISIM Università di L’Aquila（拉奎拉大学DISIM）；DMI Università di Perugia（佩鲁贾大学DMI）
在最近的工作中，我们定义了基于资源的回答集语义，这是一个扩展的回答集语义源于它与线性逻辑的关系的研究。事实上，新语义学的名称来自于这样一个事实，即在线性逻辑公式中，每个文字（包括否定的文字）都被认为是一个资源。在本文中，我们提出了一个查询-应答程序联想到Prolog的答案集程序在此扩展的语义作为一个扩展的XSB-决议的逻辑程序与否定。我们证明所提出的程序的形式属性。正在考虑接受TPLP。
2016-08-04 cs.AI
Reactive Answer Set Programming
Imperial College London（帝国理工学院）
逻辑产生式系统（Logic Production System，LPS）是一个基于逻辑的框架，用于对反应行为进行建模。基于溯因逻辑编程，它结合了反应规则与逻辑程序，数据库和因果理论，指定数据库的状态之间的转换。本文提出了一个系统的映射到一个答案集程序（ASP）的核心这个框架（称为KELPS）。为此目的，一个新的变种KELPS有限模型，称为$n$距离KELPS，介绍。给出了从这个$n$ -距离KELPS到ASP的映射的形式化定义，并证明了它的正确性和完整性。答案集编程范式允许捕捉KELPS基本反应的额外行为，特别是主动，先发制人和前瞻性行为。这些都是讨论和举例说明。然后提出了一个混合框架，集成KELPS和ASP，允许结合两种范式的优势。逻辑程序设计理论与实践（TPLP）
2021-09-22 cs.AI
Logical Probability Preferences
我们提出了一个统一的逻辑框架，表示和推理的概率定量和定性偏好的概率答案集编程，称为概率答案集优化程序。拟议的框架是至关重要的，允许定义概率定量偏好的可能结果的定性偏好。我们展示了概率答案集优化程序的一个变种的著名的护士恢复问题，称为护士恢复概率偏好问题的应用。据我们所知，这是第一次考虑一个逻辑框架的推理概率定量偏好，一般来说，推理概率定量和定性偏好特别。
2013-04-05 cs.AI
Fuzzy Aggregates in Fuzzy Answer Set Programming
模糊回答集编程是一个描述性的框架，用于表示和推理模糊环境中的知识。然而，在具有模糊答案集语义的选言模糊逻辑程序（DFLP）中，模糊集合的不可用性阻碍了许多有趣问题的自然和简洁的表示。在本文中，我们扩展DFLP允许任意模糊聚集。我们定义了DFLP的模糊答案集语义与任意模糊聚集，包括单调，反单调，和非单调模糊聚集。我们表明，建议的模糊答案集语义既包含了原始的模糊答案集语义DFLP和经典的析取逻辑程序与经典的聚集的经典答案集语义，从而包含了经典的析取逻辑程序的经典答案集语义。我们表明，建议的模糊答案集的DFLP与模糊聚集是最小的模糊模型，因此是不可比的，这是一个重要的属性为非单调模糊推理。
2013-04-05 cs.AI
Abstract argumentation and answer set programming: two faces of Nelson's logic
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）；IRIT（图卢兹计算机科学研究所）；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）
在这项工作中，我们表明，逻辑编程和抽象的论证框架可以解释纳尔逊的建设性逻辑N4。在这种逻辑中，我们通过形式化两个原则来做到这一点，我们称之为非矛盾推理和加强的封闭世界假设：第一个原则指出，任何信念都不能基于矛盾的证据，而后者则迫使未知和矛盾的证据都被视为错误。使用这些原则，逻辑程序设计和抽象论证框架都以模块化的方式并使用对象语言转换为构造性逻辑。逻辑程序蕴涵和抽象论证支持在翻译中遵循不矛盾推理原则成为新的蕴涵连接词。然后，攻击通过将这个新的蕴涵与强否定相结合来表示。逻辑程序设计理论与实践（TPLP）
2022-03-27 cs.AI cs.LO
An Unfolding-Based Semantics for Logic Programming with Aggregates
本文给出了具有聚集的逻辑程序的回答集的两个等价定义。这些定义建立在聚集体展开的概念上，它们旨在创建将具有聚集体的逻辑程序转换为正常逻辑程序或正程序的方法，其回答集语义可以用于定义原始程序的语义。第一个定义提供了另一种观点的语义逻辑编程与聚合描述Pelov等人。第二个定义是类似于传统的回答集定义正常的逻辑程序，在这一点上，给定一个逻辑程序与聚合和解释，展开过程产生一个积极的程序。本文展示了如何将这一定义扩展到考虑聚集在头部的规则。所提出的具有聚集的逻辑编程的观点是简单的，并且与最终稳定模型语义以及大类程序的其他语义表征（例如，具有单调聚集的程序和聚集分层的程序）。此外，它可以直接用于支持使用可用的答案集求解器的实现。本文描述了一个名为ASP^A的系统，该系统能够计算具有任意（例如，递归定义的）聚集。
2006-05-09 cs.AI cs.SE
Loop Formulas for Description Logic Programs
Guizhou University（贵州大学）；University of Alberta（阿尔伯塔大学）
Eiter等人提出的描述逻辑程序（DL-programs）为语义Web提供了一种简洁而强大的形式化方法，用于集成回答集编程和描述逻辑。本文将逻辑程序的完备化和循环公式的概念推广到描述逻辑程序，并证明了dl-程序的完备化和循环公式的模型可以精确地捕捉到dl-程序的回答集。此外，我们提出了一个新的，替代的语义DL-程序，称为{ \em规范答案集语义}，这是由模型定义的完成，满足所谓的规范循环公式。规范答案集的一个理想性质是它们没有循环论证。本文还探讨了规范答案集的一些性质。
2010-07-23 cs.AI cs.LO
Implementing Dynamic Answer Set Programming
University of Corunna（拉科鲁尼亚大学）；University of Pau（波城大学）；University of Potsdam（波茨坦大学）
我们介绍了一个扩展的答案集编程（ASP）与语言结构的动态（和时间）逻辑，提供了一个富有表现力的计算框架建模动态应用程序的实现。从有限线性迹上的动态和时态平衡逻辑所提供的逻辑基础出发，我们将动态公式转化为时态逻辑程序。这为我们提供了一个范式结果，建立了不同逻辑中公式的强等价性。我们的翻译依赖于辅助原子的引入，以保证多项式空间复杂度，并提供一个嵌入，这是注定不可能在同一种语言。最后，将动态公式简化为时态逻辑程序允许我们以统一的方式用这两种方法扩展ASP，并通过时态ASP求解器（如Telingo）实现这两种扩展
2020-02-19 cs.AI cs.LO
Reasoning about Actions with Temporal Answer Sets
Università del Piemonte Orientale（皮埃蒙特东方大学）；Università di Torino（都灵大学）
本文结合回答集编程（ASP）和动态线性时间时态逻辑（DLTL）定义了一种时态逻辑程序设计语言，用于推理复杂动作和无限计算。DLTL扩展了线性时间的命题时态逻辑，使用命题动态逻辑的正则程序来索引时态模态。动作语言允许在域描述中包含一般DLTL公式，以约束可能扩展的空间。我们引入了一个概念的时间回答集域描述，通常的概念的基础上的回答集。此外，我们提供了一个标准的ASP域描述的翻译，我们使用有限的模型检验技术的DLTL约束的验证。
2011-10-17 cs.AI cs.LO
Conjunctive Query Containment and Answering under Description Logics Constraints
查询包容和查询应答是数据库中两个重要的计算任务。虽然查询应答相当于计算数据库上的查询结果，但查询包含是检查对于每个数据库，一个查询的结果是否是另一个查询的结果的子集的问题。在本文中，我们处理联合查询，我们解决查询包含和查询回答下的描述逻辑约束。每一个这样的约束本质上是概念和关系之间的包含依赖关系，它们的表达能力是由于使用复杂表达式的可能性，例如，关系的交集和差，量化的特殊形式，二元关系上的正则表达式，依赖关系的规范。这些类型的约束捕获了各种各样的数据模型，包括关系模型、实体关系模型和面向对象模型，所有这些都扩展了各种形式的约束，并且还捕获了在语义Web上下文中使用的本体语言的基本特征。我们提出了以下结果的查询包含和查询回答。给出了描述逻辑约束下的查询包容方法，证明了该问题的可判定性，并分析了其计算复杂性。我们证明，查询包含是不可判定的情况下，我们允许在右手边的查询不等式，即使是非常简单的约束和查询。我们表明，查询回答描述逻辑约束下，可以减少到查询遏制，并说明这样的减少提供了上限结果的组合和数据的复杂性。
2005-07-28 cs.AI cs.DB
The informal semantics of Answer Set Programming: A Tarskian perspective
KU Leuven（鲁汶大学）；University of Nebraska at Omaha（内布拉斯加大学奥马哈分校）；University of Kentucky（肯塔基大学）
在知识表示中，知识工程师对他们编写的形式化表达式有很好的理解是至关重要的。在逻辑的非形式语义学理论中，研究了形式表达式直观地陈述了关于话语域的什么。在本文中，我们研究的回答集编程的非形式语义。答案集编程的根源在于扩展逻辑编程语言，它最初是作为默认和自动认知推理的认知逻辑引入的。1999年，关于答案集编程的开创性论文提出将这种逻辑用于不同的目的，即建模和解决搜索问题。目前，该语言主要用于这一新角色。然而，在这种新的语境中，原有的认识直觉失去了解释的意义。答案集程序如何连接到他们的模型的问题的规格是更容易解释的经典塔斯基语义，其中模型对应于可能的世界，而不是一个认知代理的信念状态。在本文中，我们开发了一个新的理论的非正式语义的答案集编程，这是制定在塔斯基设置和弗雷格的组合性原则的基础上。它与早期的非形式语义学的认知理论有很大的不同，它对连接词在回答集编程中的意义以及它与其他逻辑，特别是经典逻辑的关系提供了不同的观点。
2019-01-26 cs.AI cs.LO
Functional Answer Set Programming
University of Corunna（科鲁尼亚大学）
在本文中，我们提出了一个扩展的答案集编程（ASP），特别是其最一般的逻辑对应，量化平衡逻辑（QEL），以处理部分功能。虽然平等的治疗QEL可以建立在不同的方式，我们首先分析了选择可判定的平等与完整的功能和Herbrand模型，最近提出的文献。我们认为，这种选择产生一些违反直觉的效果，从逻辑编程和知识表示的观点。然后，我们提出了一个变种称为QELF的功能集被划分为部分和Herbrand功能（我们也称之为构造函数）。在本文的其余部分，我们展示了一个直接连接到斯科特的存在逻辑，并提出了一个实际的应用，提出了一个扩展的正常逻辑程序处理部分功能和平等，使他们可以被翻译成功能免费正常的程序，有可能以这种方式计算其答案集与任何标准的ASP求解器。
2010-06-18 cs.AI cs.LO
Automated verification of weak equivalence within the SMODELS system
在答案集编程（ASP）中，通过（i）编写其答案集对应于问题的解的逻辑程序，以及通过（ii）使用答案集求解器作为搜索引擎来计算程序的答案集，来解决手头的问题。通常，程序员在优化程序长度和特定求解器上的执行时间时，为特定问题创建一系列逐渐改进的逻辑程序。这将程序员引向确保程序是等效的元级问题，即，它们产生相同的答案集。为了在方法层面简化答案集编程，我们提出了一种基于翻译的方法来验证逻辑程序的等效性。其基本思想是将所考虑的逻辑程序P和Q转换为单个逻辑程序EQT（P，Q），其答案集（如果存在的话）产生P和Q等价的反例。该方法是在这里开发的一个稍微更一般的设置时，考虑到原子的可见性比较答案集。本文提出的基于推理的方法已被实现为一个翻译器，称为lpeq，使验证弱等价的模型系统内使用相同的搜索引擎的搜索模型。我们用lpeq和smodels进行的实验表明，在某些情况下，用这种方式建立逻辑程序的等价性比简单的交叉检查答案集要快得多。
2006-08-25 cs.AI cs.LO
The Logical Difference for the Lightweight Description Logic EL
University of Liverpool（利物浦大学）
我们研究了一种基于逻辑的本体版本化方法。在这种观点下，本体提供了对一些感兴趣的词汇表的查询的答案。本体的两个版本之间的差异由接收不同答案的查询集给出。我们调查这种方法中的描述逻辑EL扩展与角色的包容性和域和范围的限制，为三种不同类型的查询：包容，实例和合取查询的术语。在所有这三种情况下，我们提出了多项式时间算法，决定是否两个术语给出相同的答案，查询一个给定的词汇表和计算的差异，如果它是非空的简洁表示。我们提出了一个实现，CEX2，包容和实例查询的算法，并将其应用到不同版本的Snomed CT和NCI本体。
2014-01-23 cs.AI cs.LO
On the Relation between Weak Completion Semantics and Answer Set Semantics
Technische Universitat Dresden（德累斯顿工业大学）；Technische Universitat Potsdam（波茨坦工业大学）
弱完成语义（WCS）是一种计算认知理论，已被证明是成功的建模人类推理的情节。由于WCS是最近发展起来的一种逻辑编程方法，本文研究了WCS与已建立的回答集语义（ASP）的对应关系。这两种语义的底层三值逻辑是不同的，它们的模型相对于不同的程序转换进行评估。我们首先通过一个著名的心理学实验--抑制任务--的一些例子来说明这些差异。之后，我们将提供从WCS下理解的逻辑程序到ASP下理解的逻辑程序的翻译。特别是，我们将表明，逻辑程序下的WCS可以表示为逻辑程序下的ASP通过定义完成，在程序中的所有定义的原子必须是假的，当它们的定义是假的。
2019-10-16 cs.AI cs.LO
Temporal Answer Set Programming
University of Corunna（拉科鲁尼亚大学）；University of Potsdam（波茨坦大学）
本文从时态逻辑程序设计在知识表示和声明式问题求解中的应用角度对时态逻辑程序设计进行了综述。这样的程序是将通常的规则与时态模态算子相结合的结果，如线性时间时态逻辑（LTL）。我们专注于最近的结果的非单调的形式主义，称为时间平衡逻辑（TEL），是定义为完整的语法LTL，但执行模型选择标准的基础上平衡逻辑，一个众所周知的逻辑特征的答案集编程（ASP）。我们得到了一个适当的扩展的稳定模型语义的一般情况下，任意时间公式。我们回顾了TEL的基本定义及其单调基础，这里和那里（THT）的时间逻辑，并研究了无限和有限迹之间的差异。我们还提供了其他有用的结果，如翻译成其他形式主义，如量化平衡逻辑或二阶LTL，和一些技术计算时间稳定模型的自动机的基础上。在第二部分中，我们专注于实际方面，定义一个语法片段称为时间逻辑程序更接近ASP，并解释如何利用这一点在建设中的求解TELINGO。
2021-11-25 cs.AI cs.LO
An Online Development Environment for Answer Set Programming
Tufts University（塔夫茨大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Texas Tech University（德克萨斯理工大学）
逻辑编程的最新进展（例如，答案集编程范例的发展）使得将其教授给普通大学生甚至高中生成为可能。鉴于这些学生接触计算机科学的机会有限，下载、安装和使用编写逻辑程序的工具的复杂性可能是逻辑编程接触更广泛受众的主要障碍。我们开发了一个在线答案集编程环境，它具有自包含的文件系统和简单的界面，允许用户编写逻辑程序并在程序上执行多个任务。
2017-06-20 cs.AI cs.HC cs.OH
TAR: Neural Logical Reasoning across TBox and ABox
KAUST（阿卜杜拉国王科技大学）；University of Notre Dame（圣母大学）；Beihang University（北京航空航天大学）
许多本体，即，描述逻辑（DL）知识库已经被开发以提供关于各个领域的丰富知识。本体由ABox组成，即，两个实体之间或概念与实体之间的断言公理，以及TBox，即，两个概念之间的术语公理。神经逻辑推理（Neural Logic Reasoning，NLR）是探索这种知识库的基本任务，其目的是基于查询和答案的分布式表示，用逻辑运算回答多跳查询。虽然以前的NLR方法可以给出特定的实体级答案，即，ABox答案，它们不能提供描述性的概念级答案，即，TBox回答，其中每个概念是对一组实体的描述。换句话说，以前的NLR方法只对本体的ABox进行推理，而忽略了TBox。特别地，提供TBox答案使得能够利用描述性概念来推断每个查询的解释，这使得用户能够理解答案，并且在应用本体领域中非常有用。在这项工作中，我们制定了跨TBox和ABox（TA-NLR）的神经逻辑推理问题，解决这一问题需要解决在概念上合并，表示和操作的挑战。我们提出了一个原始的解决方案命名为TAR的TA-NLR。首先，我们结合描述逻辑的本体公理提供概念的来源。然后，我们将概念和查询表示为模糊集，即，集合，其元素具有隶属度，以将概念和查询与实体联系起来。此外，我们设计的操作员涉及的概念上的模糊集表示的概念和查询的优化和推理。在两个真实数据集上的大量实验结果证明了TAR对TA-NLR的有效性。
2022-08-16 cs.AI cs.LG cs.LO
"Would life be more interesting if I were in AI?" Answering Counterfactuals based on Probabilistic Inductive Logic Programming
Ludwig-Maximilians-Universität München（慕尼黑大学）
本文针对概率逻辑程序在反事实推理中的不足，提出一种语言片段，可从诱导分布重构程序，从而学习支持反事实查询的模型。
2023-08-30 cs.AI cs.LG cs.LO
Revisiting the Training of Logic Models of Protein Signaling Networks with a Formal Approach based on Answer Set Programming
CNRS（法国国家科学研究中心）；IRISA（法国信息与随机系统研究所）；INRIA（法国国家信息与自动化研究所）；National Center for Tumor Diseases（国家肿瘤疾病中心）；University of Padova（帕多瓦大学）；European Bioinformatics Institute (EMBL-EBI)（欧洲生物信息研究所（EMBL-EBI））；University of Potsdam（波茨坦大学）
数学模型的构建和数据训练是系统生物学的一个基本问题。逻辑形式主义已经成为非常流行的建模信号网络，因为它们的简单性使我们能够建模包含数百个蛋白质的大型系统。最近引入了一种对高通量磷酸化蛋白质组学数据进行训练（布尔）逻辑模型的方法，并使用基于随机方法的优化算法来解决该问题。在这里，我们演示了如何使用答案集编程（ASP），一个声明性的问题解决范式，其中一个问题被编码为一个逻辑程序，使其答案集代表解决方案的问题，可以解决这个问题。ASP在效率和可扩展性方面比启发式方法有了显著的改进，它保证了解的全局最优性，并提供了完整的解集。我们说明了ASP的应用与基于现实的网络和数据的硅片的情况下。
2012-12-22 cs.AI cs.CE cs.LG
Contextual Graph Attention for Answering Logical Queries over Incomplete Knowledge Graphs
UCSB（加州大学圣巴巴拉分校）；SayMosaic Inc.（赛摩赛克公司）
最近，一些研究探索了使用KG嵌入来回答逻辑查询的方法。这些方法要么将嵌入学习和查询应答视为两个独立的学习任务，要么无法处理来自不同查询路径的贡献的可变性。我们提出利用图注意力机制来处理不同查询路径的不平等贡献。然而，通常使用的图注意力假设提供了中心节点嵌入，这在该任务中是不可用的，因为中心节点是要预测的。针对这一问题，提出了一种基于多头注意力的端到端逻辑查询应答模型--上下文图注意力模型（CGA），该模型使用初始邻域聚合层生成中心嵌入，并在原始KG结构和采样的查询-应答对上对整个模型进行联合训练。我们还介绍了两个新的数据集，DB 18和WikiGeo 19，这是相当大的规模相比，现有的数据集，并包含更多的关系类型，并使用它们来评估所提出的模型的性能。我们的结果表明，所提出的CGA具有较少的可学习参数，在两个数据集以及Bio数据集上的性能始终优于基线模型。
2019-09-30 cs.AI cs.CL cs.LG
Exploiting Game Theory for Analysing Justifications
KU Leuven（鲁汶大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
理据理论是一个统一的语义框架。虽然它起源于非单调逻辑，但它可以应用于计算机科学的各个领域，特别是可解释推理;它最核心的概念是证明：解释为什么一个属性在模型中成立（或不成立）。在本文中，我们继续研究的理由理论的三个主要贡献。第一部分研究了辩护理论与博弈论的关系。我们证明，理由框架可以被看作是一种特殊类型的游戏。建立的联系为我们接下来的两个贡献提供了理论基础。第二个贡献是研究在什么条件下两种不同的证明理论方言（图作为解释与树作为解释）重合。第三个贡献是建立了一个精确的标准时，语义诱导的理由理论产生一致的结果。在过去，要证明这样的语义是一致的，需要繁琐而复杂的证明。我们表明，这些标准确实满足所有常见的语义逻辑编程。本文正在考虑接受逻辑编程理论与实践（TPLP）。
2020-08-04 cs.AI cs.LO
Generating Justifications for Norm-Related Agent Decisions
Tufts University（塔夫茨大学）
我们提出了一种方法来生成自然语言的理由来自规范为基础的推理的决定。假设一个代理最大限度地满足一组规则中指定的面向对象的时序逻辑，用户可以问事实问题（关于代理的规则，行动，以及在何种程度上代理违反了规则），以及“为什么”的问题，需要代理比较实际的行为与反事实的轨迹相对于这些规则。为了产生自然的解释，我们专注于从时序逻辑片段中的语句产生自然语言子句的子问题，然后描述如何将这些子句嵌入到解释性句子中。我们使用人类的判断评估的测试任务，比较我们的方法的变体的可理解性，心理模型和感知的信任。
2019-11-01 cs.AI cs.CL
JustDiag!: A Diagnostic Justification Engine for Accountable Root Cause Analysis
Peking University（北京大学）；University of Edinburgh（爱丁堡大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
提出JustDiag诊断论证引擎，通过维护显式的过程状态（证据、发现、竞争假设、冲突和下一步检查）来支持可问责的根本原因分析，在66个真实事件上评估显示其优于仅提供流畅最终答案的方法。
2026-06-19 cs.AI cs.SE
Intuitionistic computability logic
可计算性逻辑（Computability Logic，CL）是关于计算任务和资源的系统形式化理论，在某种意义上，它可以被看作是线性逻辑的一种基于语义的替代。凭借其富有表现力和灵活的语言，其中公式表示计算问题，“真理”被理解为算法可解性，CL可能为建设性应用理论和计算系统提供全面的逻辑基础，这些理论和系统本质上需要建设性和计算意义的底层逻辑。其中最著名的构造主义逻辑是海廷的直觉演算INT，其语言可以被看作是CL语言的一个特殊片段。然而，INT的建构主义哲学从来没有真正找到一个直观上令人信服的和数学上严格的语义证明。CL有很好的索赔提供这样一个理由，因此实现了哥洛夫的著名论文“INT =逻辑问题”。本文包含了一个可靠性证明INT的CL语义。有关CL的全面在线资源，请访问http://www.cis.upenn.edu/~giorgi/cl.html
2006-06-14 cs.AI cs.LO math.LO
Knowledge, Justification, and Adequate Reasons
CNRS / ENS / EHESS PSL University（法国国家科学研究中心 / 巴黎高等师范学院 / 社会科学高等学院 巴黎文理研究大学）；ZAS Berlin（柏林普通语言学中心）；University of Saskatchewan（萨斯喀彻温大学）
知识可以被定义为合理的真信念（JTB）吗？我们认为，一个人可以合理地做出积极或消极的回答，这取决于一个人的真实信仰是否有我们所谓的充分理由来证明。为了方便我们的论点，我们介绍了一个简单的命题逻辑的理由为基础的信念，并给出了一个公理化的表征的概念充分的理由。我们表明，这种逻辑是足够灵活的，以适应各种有用的功能，包括量化的原因。我们使用我们的框架来对比JTB的两个概念：一个是内在主义者，另一个是外在主义者。我们认为，Gettier的情况下，基本上挑战的内在主义的概念，但不是外在主义的。我们的方法使我们对知识采取了一种绝对正确的形式，但它也给我们留下了一个难题，即知识是否只涉及拥有充分的理由，还是为一些不充分的理由留下了空间。我们赞成后一种立场，它反映了一种更温和、更现实的绝对正确主义。
2021-12-26 cs.AI cs.LO
LRTA: A Transparent Neural-Symbolic Reasoning Framework with Modular Supervision for Visual Question Answering
Stanford University（斯坦福大学）；Amazon Alexa AI（亚马逊Alexa AI）
视觉问答（VQA）的主要方法依赖于使用“黑盒”神经编码器对图像和问题进行编码，并将单个令牌解码为“是”或“否”等答案。尽管这种方法有很强的定量结果，但它很难为预测过程提出直观的、人类可读的证明形式。为了解决这个不足，我们重新制定VQA作为一个完整的答案生成任务，这需要模型来证明其预测在自然语言。我们提出了LRTA [看，读，想，答]，一个透明的神经符号推理框架的视觉问答，解决问题的一步一步像人类一样，并提供人类可读的形式的理由在每一步。具体来说，LRTA学习首先将图像转换为场景图，并将问题解析为多个推理指令。然后，它通过使用递归神经符号执行模块遍历场景图来一次执行一个推理指令。最后，它生成一个完整的答案，给定的问题与自然语言的理由。我们在GQA数据集上的实验表明，LRTA的性能大大优于最先进的模型（43.1% vs. 28.0%）的完整答案生成任务。我们还通过删除问题中的语言线索（属性和关系）来创建扰动GQA测试集，以分析模型是否具有表面数据相关性的智能猜测。我们表明，LRTA向真正理解这个问题迈出了一步，而最先进的模型往往从训练数据中学习表面的相关性。
2020-11-21 cs.AI cs.CL cs.CV
Logical Fuzzy Optimization
提出了一种基于模糊答案集优化规划的模糊优化问题的逻辑表示和推理框架。这是通过允许模糊优化聚合来实现的，例如，最小值和最大值的模糊答案集优化编程的语言，以允许最小化或最大化的模糊环境下的一些期望的标准。我们提出的逻辑模糊优化框架下的模糊答案集优化规划的模糊配水优化问题的应用。
2013-04-05 cs.AI
