Nonmonotonic Probabilistic Logics between Model-Theoretic Probabilistic Logic and Probabilistic Logic under Coherence
最近，它已被证明，概率蕴涵下的一致性是弱于模型理论的概率蕴涵。此外，概率蕴涵下的一致性是系统P中的默认蕴涵的推广。在本文中，我们继续这条线的研究，提出了更复杂的概念之间的模型理论的概率蕴涵和概率蕴涵下的一致性的经典默认蕴涵的概率概括。也就是说，新的形式主义适当地推广了经典缺省推理中的对应形式，它们比模型论概率蕴涵弱，但在一致性下比概率蕴涵强。新的形式主义是有用的，特别是处理概率不一致的条件下零事件。它们也可以应用于概率信念修正。更一般地说，在相同的精神，类似以前的文件，本文揭示了令人兴奋的新的形式主义概率推理超出了众所周知的标准。
2002-07-22 cs.AI
Causal Graph Justifications of Logic Programs
University of Corunna（拉科鲁尼亚大学）；Vienna University of Technology（维也纳工业大学）
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，在一个模型中的每个真正的原子与一组理由。这些理由表示的因果关系图形成的规则标签和边缘，代表他们的应用程序排序。对于正的程序，我们表明，一个给定的原子获得的因果理由有一个直接的correspondence- dence（相关）的语法证明，该原子使用的程序规则中涉及的图形。最有趣的贡献是，这种因果信息是在一个纯粹的语义的方式，通过代数运算（产品，总和和应用程序）的因果值格的顺序关系表示时，一个理由是强于另一个。最后，对于有否定的程序，我们通过引入一个类似于Gelfond和Lifschitz的程序约简的变换，定义了因果稳定模型的概念。因此，缺省否定表现为“证据缺失”，否定升得不到任何证明
2014-09-25 cs.AI cs.LO
Logic Programming Semantics for Causal Processes
German University Of Digital Science Potsdam（德国波茨坦数字科学大学）
研究逻辑程序设计语义与因果过程最终状态的关系，指出正逻辑程序稳定模型对应特定过程最终状态，支持模型描述任意起点可达状态，为逻辑程序设计语义讨论提供新视角及时间维度。
2026-07-24 cs.AI cs.LO cs.PL
First-Order Context-Specific Likelihood Weighting in Hybrid Probabilistic Logic Programs
KU Leuven（荷语鲁汶大学）；Czech Technical University in Prague（布拉格捷克理工大学）
到目前为止，统计关系AI和概率逻辑编程主要集中在离散概率模型上。这样做的原因是，需要提供结构来简洁地建模这种模型中的独立性，并提供有效的推理。三种类型的独立性是很重要的表示和利用混合模型中的可扩展推理：条件独立性优雅地建模在贝叶斯网络中，上下文特定的独立性自然表示的逻辑规则，和独立性之间的相关对象的属性在关系模型简洁地表示组合规则。本文介绍了一种结合贝叶斯逻辑程序中分布子句的语法和语义原理的混合概率逻辑程序设计语言DC #。它定性地代表了三种独立性。更重要的是，我们还介绍了DC #的可扩展推理算法FO-CS-LW。FO-CS-LW是上下文特定似然加权算法（CS-LW）的一阶扩展，CS-LW是一种利用地面模型中的条件独立性和上下文特定独立性的新型采样方法。FO-CS-LW算法将具有统一和组合规则的CS-LW算法提升到一阶情况。
2023-01-08 cs.AI cs.LO
Inference in Probabilistic Logic Programs using Lifted Explanations
Stony Brook University（石溪大学）
在本文中，我们考虑的问题，提升推理的背景下，棱镜一样的概率逻辑程序设计语言。在这种语言中，传统的推理涉及为查询构造解释图并计算该图上的概率。当对具有大量随机变量实例的概率逻辑程序的查询进行评估时，传统方法单独对待每个实例。对于许多程序和查询，我们观察到，解释可以总结成更紧凑的结构，我们称之为解除解释图。在本文中，我们定义了提升解释图及其上的操作。与现有的提升推理技术相比，我们的方法，用于构建提升的解释自然地概括了现有的方法，用于构建解释图。为了计算查询答案的概率，我们解决了从提升图生成的递归。我们展示的例子中，我们的技术的使用降低了推理的渐近复杂性。
2016-08-20 cs.AI cs.LO
Hybrid Probabilistic Logic Programming: Inference and Learning
本文主要研究概率逻辑程序设计（PLP），它结合了不确定性的概率理论和关系的逻辑程序设计。本文旨在扩展PLP以支持离散和连续随机变量，这对于数值数据的应用是必要的。第一个贡献是引入上下文特定的似然加权（CS-LW），一种新的采样算法，利用上下文特定的独立性的计算增益。然后，提出了一种新的混合PLP（DC#），它将分布子句的语法与贝叶斯逻辑程序相结合，并表示了三种类型的独立性：i）贝叶斯网络中的条件独立性（CI）; ii）逻辑规则表示的上下文相关独立性（CSI）; iii）组合规则表示的关系模型中相关对象属性之间的独立性。提出了DC#的可扩展推理算法FO-CS-LW。最后，本文通过引入DiceML来学习混合PLP的结构和参数，并解决关系自动完成问题，从而解决了缺乏从具有缺失值和（概率）背景知识的关系数据中学习混合PLP的方法的问题。最后讨论了混合PLP的未来发展方向和面临的挑战。
2023-02-10 cs.AI cs.LO
How Rules Represent Causal Knowledge: Causal Modeling with Abductive Logic Programs
Eberhard-Karls-Universität Tübingen（图宾根大学）；German University of Digital Science（德国数字科学大学）
本文将Pearl的因果干预理论扩展到分层溯因逻辑程序，通过翻译为因果系统并证明稳定模型语义符合因果充分性等哲学原则，为逻辑程序用于因果建模和干预效果预测奠定理论基础。
2025-07-07 cs.AI
From probability to causality in probabilistic logic programming
Ludwig-Maximilians-Universität München（慕尼黑大学）；Eberhard-Karls-Universität Tübingen（蒂宾根大学）；German University of Digital Science（德国数字科学大学）
该研究针对概率逻辑程序从数据学习时因果顺序不唯一的问题，结合贝叶斯网络关系推导条件并纳入因果对称约束，提出可验证干预语义的方法。
2026-08-10 cs.AI
How Rules Represent Causal Knowledge: Causal Modeling with Probabilistic Logic Programming
研究如何将珀尔的因果方法引入概率逻辑编程，通过与不依赖时间概念的哲学基础对齐，提出形式因果语义等，使其语义与分层ProbLog程序的P-log语义一致，解决因果知识在不同形式主义中的应用问题。
2026-07-24 cs.AI cs.LO cs.PL
Probabilistic Logic Programming under Inheritance with Overriding
我们提出了概率逻辑编程下的继承覆盖。这种方法是基于新的概念蕴涵推理的条件约束，这是从经典的概念逻辑蕴涵通过添加继承与覆盖的原则。这是通过使用最近的方法概率默认推理与条件约束。我们分析了新蕴涵关系的语义特性。我们还提出了概率逻辑编程的算法继承覆盖，程序转换，以提高效率。
2013-01-10 cs.AI
An asymptotic analysis of probabilistic logic programming, with implications for expressing projective families of distributions
LMU München（慕尼黑大学）
概率逻辑编程是统计关系型人工智能的重要组成部分，其中将逻辑和概率方法结合在一起，在不确定性环境中推理和学习关系域。然而，跨可变域大小的统计关系表示的行为是复杂的，并且将推理和学习扩展到大型域仍然是一个重大挑战。近年来，域大小依赖、提升推理和从抽样子群体中学习之间出现了联系。统计关系表示的渐近行为已经受到审查，和投影被调查的最强形式的域大小的依赖，其中查询边际是完全独立的域大小。在这篇文章中，我们证明了每一个概率逻辑程序下的分布语义是渐近等价于一个非循环的概率逻辑程序只包括确定条款的概率事实。我们的结论是，每一个概率逻辑程序诱导一个投影族的分布，实际上是处处等价于一个程序从这个片段，我们调查的后果，为投影族的分布概率逻辑程序表示。为了方便应用的经典结果从有限模型理论，我们引入了抽象的分布语义，定义为一个任意的逻辑理论概率事实。这弥合了与概率逻辑编程基础的分布语义之间的差距。在这种表示中，确定性逻辑程序对应于无量词理论，使得渐近量词消去结果可用于概率逻辑编程的设置。本文件正在考虑被TPLP接受。
2021-08-18 cs.AI cs.LO cs.PL
Knowledge Compilation with Continuous Random Variables and its Application in Hybrid Probabilistic Logic Programming
KU Leuven（鲁汶大学）
在概率推理中，传统的离散域已被提升到包含额外连续随机变量的混合域。然而，在混合域中的推理通常需要对离散或连续随机变量的推理进行权衡。我们介绍了一种新的方法，加权模型集成和代数模型计数的基础上，规避这些权衡。然后，我们展示了它如何支持知识编译和精确的概率推理。此外，我们引入了混合概率逻辑程序设计语言HAL-ProbLog，ProbLog的扩展，我们适用于我们的推理方法。
2018-07-12 cs.AI cs.LO cs.PL
Complexity Analysis and Variational Inference for Interpretation-based Probabilistic Description Logic
本文提出了概率描述逻辑推理的复杂性分析和变分方法，其特点是布尔算子，量化，合格数限制，名词，逆角色和角色层次。推理是PEXP-完全的，变分方法的设计，以便尽可能利用逻辑推理。
2012-05-09 cs.AI
Inference and learning in probabilistic logic programs using weighted Boolean formulas
KU Leuven（鲁汶大学）
概率逻辑程序是其中一些事实用概率注释的逻辑程序。本文研究了如何经典的推理和学习任务，从图形模型社区可以处理概率逻辑程序。概率逻辑程序以前没有真正解决过几个这样的任务，如计算给定证据的边缘和从（部分）解释中学习。本文的第一个贡献是为各种推理任务提供了一套有效的算法。它基于程序和查询以及证据到加权布尔公式的转换。这使我们能够将推理任务减少到经过充分研究的任务，例如加权模型计数，可以使用图形模型和知识编译文献中已知的最先进的方法来解决。第二个贡献是一个算法的参数估计的学习从解释设置。该算法采用期望最大化，并建立在顶部开发的推理算法。所提出的方法进行了实验评估。结果表明，推理算法提高了概率逻辑程序设计的最新水平，并且确实可以从解释中学习概率逻辑程序的参数。
2013-04-25 cs.AI cs.LG cs.LO
Integrating Logical and Probabilistic Reasoning for Decision Making
Rockwell International Science Center（罗克韦尔国际科学中心）；Stanford University（斯坦福大学）
我们描述了一种表示和一组推理方法，结合逻辑编程技术与概率网络表示的不确定性（影响图）。该技术强调复杂和不确定领域的概率和决策理论模型的动态构建和解决方案。给定一个查询，如果可能的话，会产生一个逻辑证明;如果不可能，会产生一个基于查询和决策域知识的影响图，并随后求解。一个统一的声明，一阶，知识表示相结合的逻辑，概率和决策理论推理的综合推理过程。
2013-03-27 cs.AI
Inference in Probabilistic Logic Programs using Weighted CNF's
概率逻辑程序是其中一些事实用概率注释的逻辑程序。几个经典的概率推理任务（如MAP和计算边际）还没有得到很多关注，这种形式主义。本文的贡献是，我们开发了有效的推理算法，这些任务。这是基于概率逻辑程序以及查询和证据到加权CNF公式的转换。这使我们能够将推理任务减少到经过充分研究的任务，例如加权模型计数。为了解决这些问题，我们采用了最先进的方法。我们考虑多种方法的转换程序，以及加权CNF的推理。由此产生的方法进行了实验评估，并显示出改善后，国家的最先进的概率逻辑编程。
2012-02-14 cs.AI
Lazy Explanation-Based Approximation for Probabilistic Logic Programming
我们介绍了一个懒惰的方法，基于推理的概率逻辑程序的近似。在搜索解释时，它只使用程序中最重要的部分。其结果是一个快速和随时近似推理算法，返回硬下限和上限的确切概率。我们的实验表明，这种方法优于国家的最先进的近似推理。
2015-07-10 cs.AI
Beyond the Grounding Bottleneck: Datalog Techniques for Inference in Probabilistic Logic Programs (Technical Report)
Cardiff University（卡迪夫大学）；Samsung AI Research（三星人工智能研究院）
概率逻辑编程中的最先进的推理方法通常通过相对于感兴趣的查询计算相关的基础程序开始，然后使用该程序进行使用知识编译和加权模型计数的概率推理。我们提出了一种替代方法，使用高效的数据库技术集成知识编译与正向推理与非地面程序。这有效地消除了接地瓶颈，到目前为止，已经禁止概率逻辑编程的查询应答场景中的应用程序在知识图谱，同时还提供了快速近似的经典基准在该领域。
2019-11-18 cs.AI
Neural Probabilistic Logic Programming in DeepProbLog
KU Leuven（鲁汶大学）；Cardiff University（卡迪夫大学）；Ghent University - imec（根特大学-imec）
我们介绍DeepProbLog，这是一种神经概率逻辑程序设计语言，通过神经谓词结合了深度学习。我们将展示如何现有的推理和学习技术的基础概率逻辑程序设计语言ProbLog可以适应新的语言。我们从理论和实验上证明了DeepProbLog支持（i）符号和子符号表示和推理，（ii）程序归纳，（iii）概率（逻辑）编程，以及（iv）从示例中进行（深度）学习。据我们所知，这项工作是第一个提出一个框架，其中通用神经网络和表达概率逻辑建模和推理集成的方式，利用充分的表现力和两个世界的优势，可以训练端到端的基础上的例子。
2019-09-23 cs.AI
DeepProbLog: Neural Probabilistic Logic Programming
KU Leuven（鲁汶大学）；Cardiff University（卡迪夫大学）；Ghent University - imec（根特大学-校际微电子中心）
我们介绍DeepProbLog，这是一种概率逻辑程序设计语言，通过神经谓词结合了深度学习。我们展示了如何现有的推理和学习技术可以适应新的语言。我们的实验表明，DeepProbLog支持符号和子符号表示和推理，1）程序归纳，2）概率（逻辑）编程，3）从示例中进行（深度）学习。据我们所知，这项工作是第一个提出一个框架，其中通用神经网络和表达概率逻辑建模和推理集成的方式，利用充分的表现力和两个世界的优势，可以训练端到端的基础上的例子。
2018-12-12 cs.AI
Reasoning with Probabilistic Logics
University of Ferrara（费拉拉大学）
在过去的几年里，将概率与逻辑结合起来建模世界的兴趣迅速增加。分布语义学是一种有效的方法，它被许多逻辑程序设计语言和描述逻辑所采用。在本文中，我们说明了我们在这一研究领域所做的工作，提出了一个概率语义的描述逻辑和推理和学习算法。特别是，我们详细介绍了系统TRILL P，它计算的概率查询w.r.t.概率知识库，这已经在Prolog中实现。注意事项：论文的扩展摘要/完整版本，将在第30届逻辑编程国际会议（ICLP 2014）的博士联盟上发表，7月19日至22日，维也纳，奥地利
2015-01-29 cs.AI
An Inequality Paradigm for Probabilistic Knowledge
我们提出了一个不等式的概率推理的基础上的逻辑上的条件概率的上限和下限的范例。我们研究一族概率逻辑，推广了Nilsson的工作[14]。我们开发了各种逻辑概念的概率推理，包括健全性，完整性的理由;和收敛：减少一个理论到一个更简单的逻辑类。我们认为，一个绑定视图是特别有用的概率知识表示的语义描述和描述概率推理和更新的中间状态。我们表明，证据的Dempster-Shafer理论是正式相同的一个特殊情况下，我们的广义概率逻辑。因此，我们的范式结合了贝叶斯“基于规则”的方法和公开的非贝叶斯“证据”的方法，如MYCIN和DempsterShafer。我们建议如何整合这两个“学校”，并探讨了一些可能性，为新的综合各种想法的概率推理。
2013-03-27 cs.AI
Probabilistic Description Logics
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心 (DFKI)）
一方面，经典的术语知识表示排除了处理不确定的概念描述的可能性，“通常为真”的概念属性、广义量词或例外。另一方面，处理一般不确定性的纯数值方法无法考虑术语知识。本文介绍了语言ACP，这是一个概率扩展的术语逻辑，旨在缩小差距，这两个领域的研究。我们提出了语言ALUP的形式语义，并介绍了概率的形式主义，是基于类的概率，并实现了通过概率约束。除了推断隐含存在的概率关系，约束保证术语和概率的一致性。总而言之，新语言ALUP适用于必须处理术语描述和不确定性的领域。
2013-02-27 cs.AI
Probabilistic Disjunctive Logic Programming
在本文中，我们提出了一个框架相结合的析取逻辑编程和普尔的概率角溯因。我们使用假设的概念来指定概率结构。我们考虑概率信息不可用的情况。我们不使用概率区间，而是允许指定析取的概率。由于最小模型被用作选言逻辑程序设计中的特征模型，我们应用最小模型集上的无差异原理来推导违约概率值。我们定义了公式的解释和部分解释的概念，并用它们来确定程序诱导的违约概率分布。提出了一种计算目标违约概率的算法。
2013-02-13 cs.AI
'Say EM' for Selecting Probabilistic Models for Logical Sequences
University of Freiburg（弗莱堡大学）；Helsinki University of Technology（赫尔辛基理工大学）
许多真实世界的序列，如蛋白质二级结构或壳日志表现出丰富的内部结构。然而，传统的序列概率模型只考虑平面符号序列。逻辑隐马尔可夫模型已被提出作为一种解决方案。它们处理逻辑序列，即，一系列的逻辑原子。这是以更复杂的模型选择问题为代价的。实际上，必须探索不同的抽象层次。在本文中，我们提出了一种新的方法来选择逻辑隐马尔可夫模型的数据称为SAGEM。SAGEM结合了广义期望最大化，优化参数，结构搜索模型选择使用归纳逻辑程序设计细化运营商。我们提供的收敛性和实验结果表明SAGEM的有效性。
2012-07-04 cs.AI
Improving the Efficiency of Approximate Inference for Probabilistic Logical Models by means of Program Specialization
Katholieke Universiteit Leuven（鲁汶天主教大学）
我们认为，执行概率逻辑模型的概率推理的任务。许多算法的近似推理与这样的模型是基于抽样。从逻辑编程的角度来看，采样归结为在由静态部分和动态部分组成的知识库上重复调用相同的查询。静态部分越大，这些重复调用中的冗余就越多。这是有问题的，因为低效的采样产生差的近似。我们展示了如何应用逻辑程序专业化，使基于采样的推理更有效。我们开发了一种算法，专门的查询谓词的定义相对于知识库的静态部分。在对真实世界数据的实验中，我们获得了高达一个数量级的加速比，并且这些加速比随着数据大小而增长。
2011-12-22 cs.AI
Nonground Abductive Logic Programming with Probabilistic Integrity Constraints
University of Ferrara（费拉拉大学）
不确定性信息在越来越多的应用领域中被考虑。同时，溯因也被证明是处理假设推理和不完全知识的有力工具。概率逻辑模型是处理不确定信息的合适框架，在过去的十年中，已经提出了许多概率逻辑语言，以及它们的推理和学习系统。在溯因逻辑程序设计（ALP）领域，也定义了各种证明过程。在本文中，我们考虑一个更丰富的逻辑语言，处理概率溯因变量。特别是，我们认为一个ALP程序丰富的完整性约束`一la IFF，可能注释的概率值。我们首先介绍了整个溯因语言，它的语义根据分布语义。然后，我们介绍了一个证明过程，通过扩展以前提出的，并证明其可靠性和完整性。
2022-02-03 cs.AI
On the Semantics and Complexity of Probabilistic Logic Programs
Universidade de São Paulo（圣保罗大学）
我们研究的意义和复杂性的概率逻辑程序，包括一组规则和一组独立的概率事实（即程序的基础上佐藤的分布语义）。我们专注于两个语义，分别基于稳定和良好的基础模型。我们表明，语义的基础上稳定的模型（称为“信任语义”）产生的概率模型，占主导地位的无限单调Choquet能力集，我们描述了几个有用的后果，这一结果。然后，我们研究的复杂性与概率逻辑程序的推理。我们区分了概率程序和查询给定时的推理复杂性（推理复杂性），以及概率程序固定且查询给定时的推理复杂性（查询复杂性，类似于数据库理论中使用的数据复杂性）。我们得到的结果的推理和查询的复杂性，无循环，分层，循环命题和关系程序，复杂性达到各级的计数层次，甚至指数级。
2017-01-31 cs.AI
CLP(BN): Constraint Logic Programming for Probabilistic Knowledge
我们提出CLP（BN），一种新的方法，旨在通过约束逻辑编程框架来表达贝叶斯网络。可以说，传统贝叶斯网络的一个重要限制是它们是命题的，因此不能表示多个上下文中多个相似对象之间的关系。因此，一些研究人员提出了一阶语言来描述这种网络。也就是说，这种方法的一个非常成功的例子是概率关系模型（PRM），它将贝叶斯网络与关系数据库技术相结合。我们在设计CLP（cal{BN}）时必须解决的关键困难是基于逻辑的表示使用基础术语来表示对象。对于概率数据，我们需要能够唯一地表示一个我们不确定其值的对象。我们使用{sl Skolem函数}作为唯一的新符号，唯一地表示具有未知值的对象。CLP（cal{BN}）程序的语义自然遵循约束逻辑编程的一般框架，应用于我们具有概率数据的特定领域。本文介绍了CLP（cal{BN}）的概念和定义，并描述了CLP（cal {BN}）的实现和初步实验。本文还展示了CLP（cal{BN}）与概率关系模型（PRM）、Ngo和Haddawys概率逻辑程序、Kersting和De Raedts贝叶斯逻辑程序的关系。
2012-10-19 cs.AI
Semirings for Probabilistic and Neuro-Symbolic Logic Programming
KU Leuven（鲁汶大学）；Leuven.AI - KU Leuven Institute for AI（鲁汶人工智能研究所）；Örebro University（厄勒布鲁大学）；Center for Applied Autonomous Systems（应用自主系统中心）
本文提出用半环代数框架统一概率逻辑程序设计的多种扩展，将事实标记为半环元素并以加法、乘法替代析取、合取，从而涵盖离散、连续及神经符号方法及其模型计数执行机制。
2024-02-21 cs.AI
Neural Probabilistic Logic Programming in Discrete-Continuous Domains
KU Leuven（鲁汶大学）；Örebro University（厄勒布鲁大学）
神经符号人工智能（NeSy）允许神经网络以逻辑的形式利用符号背景知识。它已被证明有助于在有限的数据制度的学习，并促进外的分布数据的推断。ProbabilityNeSy专注于将神经网络与逻辑和概率理论相结合，这还允许在不确定性下进行学习。当前概率NeSy系统（诸如DeepProbLog）的主要限制是它们对有限概率分布的限制，即，离散随机变量相比之下，深度概率编程（DPP）在建模和优化连续概率分布方面表现出色。因此，我们引入DeepSeaProbLog，一种神经概率逻辑程序设计语言，将DPP技术纳入NeSy。这样做的结果在逻辑约束下的离散和连续概率分布的推理和学习的支持。我们的主要贡献是：1）DeepSeaProbLog的语义及其相应的推理算法，2）一个经过验证的渐近无偏学习算法，以及3）一系列的实验，说明了我们的方法的多功能性。
2023-03-14 cs.AI cs.LG cs.LO
Foundations of MT-PDCL: Measure-Theoretic Probabilistic Definite Clause Logic
University of Craiova（克拉约瓦大学）
本文提出测度论概率确定性子句逻辑（MT-PDCL），通过引入连续可测空间上的精确Lebesgue积分，突破了传统概率逻辑编程的有限域限制，实现了兼具表达能力与纯声明式语法的可微推理。
2026-08-14 cs.AI
CHR(PRISM)-based Probabilistic Logic Learning
K.U.Leuven（鲁汶大学）；Tokyo Institute of Technology（东京工业大学）
PRISM是Prolog的扩展，具有概率谓词和对期望最大化学习的内置支持。约束处理规则（Constraint Handling Rules，简写为程序设计语言）是一种基于多头多集重写规则的高级程序设计语言。在本文中，我们介绍了一种新的概率逻辑形式主义，称为CHRiSM，基于组合的PRISM和PRISM。它可以通过“机会规则”用于复杂统计模型的高级快速原型设计。然后，底层PRISM系统可用于多个概率推理任务，包括概率计算和参数学习。我们从语法和操作语义两个方面定义了CHRiSM语言，并举例说明。我们定义了模糊程序的概念，并定义了一个明确的程序的分布语义。接下来，我们描述了CHRiSM的实现，基于PRISM（棱镜）。我们讨论了CHRiSM和其他概率逻辑程序设计语言，特别是PCHR之间的关系。最后，我们确定潜在的应用领域。
2010-07-22 cs.AI cs.LG cs.LO
Structure Learning of Probabilistic Logic Programs by Searching the Clause Space
University of Ferrara（费拉拉大学）
学习概率逻辑程序设计语言正受到越来越多的关注，并且系统可用于学习这些语言的参数（PRISM、LeProbLog、LFI-ProbLog和EMBLEM）或结构和参数（SEM-CP-logic和SLIPCASE）。本文提出了一个“通过在子句空间上搜索概率逻辑程序的结构学习”的算法SLIPCOVER。它使用数据的对数似然作为指导准则，在概率子句空间中执行束搜索，在理论空间中执行贪婪搜索。为了估计对数可能性，SLIPCOVER使用EMBLEM执行期望最大化。该算法已经在五个真实世界的数据集上进行了测试，并与SLIPCASE，SEM-CP-logic，Aleph和两种学习马尔可夫逻辑网络的算法（使用结构基序（LSM）和ALEPH++ ExactL 1）进行了比较。在大多数情况下，SLIPCOVER在精确度-召回率和ROC曲线下实现了更高的区域。
2013-09-09 cs.AI cs.LG
Towards Probabilistic Inductive Logic Programming with Neurosymbolic Inference and Relaxation
TNO（荷兰应用科学研究组织）
针对传统ILP无法处理概率背景知识的问题，提出Propper框架，结合神经符号推理、连续假设选择标准（BCE）和约束松弛（NoisyCombo），能从极少示例中学习并优于现有模型。
2024-09-20 cs.AI cs.LG
Probabilistic Reasoning across the Causal Hierarchy
Stanford University（斯坦福大学）
我们提出了一个形式化的三层因果层次的关联，干预和反事实作为一系列的概率逻辑语言。我们的语言是严格增加的表现力，第一个能够表达定量概率推理-包括条件独立性和贝叶斯推理-第二个编码做演算推理的因果关系，第三个捕获一个完全表达做演算任意反事实查询。我们给出了相应的一系列有限公理化完成的结构因果模型和概率程序，并证明了满足性和有效性的每种语言是在多项式空间中可判定的。
2021-06-02 cs.AI cs.LO
An Expressive Probabilistic Temporal Logic
本文认为，概率，时间和行动的综合治疗是必不可少的概率的概念的适当的逻辑帐户，并根据这种直觉，描述了一个表达概率的时间逻辑推理的行动与不确定的结果。该逻辑是模态的和高阶的：由动作注释的模态用于表达由动作产生的下一状态中的命题的可能性和必要性，并且需要高阶函数来表达概率算子。所提出的逻辑被证明是经典数学概率论的一个适当的扩展，并通过Monty Hall问题的形式化来说明其表达能力。
2017-10-08 cs.AI cs.LO
Characterizing and Reasoning about Probabilistic and Non-Probabilistic Expectation
期望是概率论的核心概念。期望的概念也适用于其他不确定性的概念。我们引入了一个命题逻辑推理的期望，语义取决于潜在的表示的不确定性。在基本表示是（a）概率，（b）概率测度集，（c）置信函数和（d）可能性测度的情况下，我们给出了该逻辑的合理而完整的公理化.我们表明，这种逻辑是更有表现力的比相应的逻辑推理的可能性的情况下的概率措施集，但同等表现力的情况下，概率，信念，和可能性。最后，我们证明了这些逻辑的可满足性是NP-完全的，并不比命题逻辑的可满足性难。
2007-04-20 cs.AI cs.LO
A Probabilistic Approach to Satisfiability of Propositional Logic Formulae
University of New Hampshire（新罕布什尔大学）
我们提出了一个版本的WalkSAT算法，命名为BetaWalkSAT。该方法使用概率推理来偏置局部搜索算法的起始状态。Beta分布用于对文字的布尔值的置信度建模。我们的研究结果表明，提出的BetaWalkSAT算法可以优于其他的不知情的局部搜索方法复杂的布尔可满足性问题。
2019-12-04 cs.AI cs.LO
Differentiable Probabilistic Logic Networks
SingularityNET Foundation（SingularityNET基金会）；ITMO University（ITMO大学）
概率逻辑推理是OpenCog等认知架构的核心组件。然而，作为一个综合架构，OpenCog通过混合不同的推理方法促进认知协同。在本文中，我们介绍了一个可微版本的概率逻辑网络，规则操作张量真值的方式，一个链的推理步骤构建一个计算图的张量，接受真值的前提知识库作为输入，并产生真值的结论作为输出。这允许通过结合子符号优化和符号推理的反向传播来学习前提的真值和规则的公式（以具有可训练权重的形式指定）。
2019-07-10 cs.AI cs.LO
Probabilistic Strategy Logic with Degrees of Observability
University of Aberdeen（阿伯丁大学）；Utrecht University（乌得勒支大学）；Open University Netherlands（荷兰开放大学）
针对现有概率策略逻辑无法表达信息透明性的问题，本文引入可观测性算子扩展 Probabilistic Strategy Logic，提出随机多智能体系统的形式化推理框架，并证明其模型检测问题可判定。
2025-01-06 cs.AI cs.LO
Causal Modeling with Probabilistic Simulation Models
Stanford University（斯坦福大学）
最近的作者提出了分析条件推理通过干预的概念在模拟程序，并发现了一个健全的和完整的公理化的逻辑条件在这种情况下。在这里，我们将此设置扩展到概率仿真模型的情况。我们给出了一个自然的定义的概率公式的条件语言，允许表达的反事实，并证明了这个定义的基本结果。我们还发现了一个公理化推理的线性不等式涉及概率在这种情况下。我们证明了这个逻辑的可满足性问题的可靠性，完备性和NP-完备性。
2018-07-30 cs.AI cs.LO
Bayesian causal inference via probabilistic program synthesis
University of Massachusetts（马萨诸塞大学）；Massachusetts Institute of Technology（麻省理工学院）
因果推理可以形式化为贝叶斯推理，其结合了因果模型的先验分布和解释观察和干预的可能性。我们表明，它是可能的，以实现这种方法，使用一个充分表达的概率程序设计语言。先验表示使用概率程序生成的源代码在一个特定领域的语言。干预是使用概率程序，编辑这个源代码修改原始的生成过程。这种方法可以直接将来自原子干预的数据，以及转移干预，方差缩放干预和其他修改因果结构的干预。这种方法也使得使用通用推理机的概率程序推断可能的因果结构和参数的数据。这一摘要描述了一个原型，这种方法在Gen概率程序设计语言。
2019-10-30 cs.AI cs.LG
CausalOps -- Towards an Industrial Lifecycle for Causal Probabilistic Graphical Models
OTH Regensburg University of Applied Sciences（雷根斯堡应用技术大学）；e:fs TechHub GmbH（e:fs技术中心有限公司）
针对因果工程缺乏工业级过程参考的问题，提出 CausalOps 生命周期框架，通过定义关键实体、依赖关系与中间产物，建立统一词汇和工作流，以推动因果模型在工业界的实际应用。
2023-09-05 cs.AI
A Logical Characterization of Constraint-Based Causal Discovery
我们提出了一种新的方法，以约束为基础的因果关系发现，采取直接的逻辑推理的形式，适用于一系列简单的，逻辑的因果关系，直接从观察到的依赖关系。它是健全的和完整的，在这个意义上，所有不变的功能，相应的部分祖先图（PAG）的识别，即使在潜变量和选择偏差的存在。这种方法表明，每一个可识别的因果关系对应于两种基本形式之一。更重要的是，由于该方法的基本构建块不依赖于相应PAG的详细（图形）结构，因此它开辟了一系列新的机会，包括更强大的推理，详细的问责制和大型模型的应用。
2012-02-14 cs.AI
Probabilistic Reasoning about Actions in Nonmonotonic Causal Theories
我们提出的语言{MP}{CAL C}+概率推理的行动，这是一个概括的行动语言{CAL C}+，允许处理概率以及不确定性的影响的行动。我们定义了一个正式的语义{MP}{CAL C}+在状态集之间的概率转换。使用一个概念的历史和它的信念状态，然后，我们展示了如何在推理行动的几个重要问题，可以简洁地制定在我们的形式主义。
2012-10-19 cs.AI
Uncertain Linear Logic via Fibring of Probabilistic and Fuzzy Logic
从一个简单的语义命题，计数观测的基础上，它表明，概率和模糊逻辑对应于两个不同的启发式假设的组合的命题的证据基础是目前不可用。这两种不同的启发式假设导致两组不同的公式，用于通过格运算传播定量真值。结果表明，这两组公式为线性逻辑中的乘法和加法算子集提供了一个自然的基础。然后，线性逻辑的标准规则作为底层语义的结果出现。线性逻辑作为“资源逻辑”的概念在这里通过“证据守恒”原则来体现--线性逻辑中对弱化和收缩的限制有助于避免证据的重复计算（超出通过使用启发式真值价值函数而引起的任何重复计算）。
2020-09-28 cs.AI
On the Semantic Relationship between Probabilistic Soft Logic and Markov Logic
Arizona State University（亚利桑那州立大学）
马尔可夫逻辑网络（MLN）和概率软逻辑（PSL）是统计关系学习中广泛应用的形式主义，统计关系学习是人工智能中的一个新兴领域，它涉及将逻辑和统计AI相结合。尽管他们很相似，但他们的关系还没有正式说明。本文从逻辑的角度描述了它们之间的精确语义关系。这通过首先扩展模糊逻辑以允许权重来促进，这也可以被视为PSL的概括，然后将该概括与MLN相关联。我们观察到PSL和MLN之间的关系类似于模糊逻辑和布尔逻辑之间的已知关系，而且PSL的权方案本质上是MLN的权方案对于多值设置的推广。
2016-06-28 cs.AI
On the Relationship between Bayesian Networks and Probabilistic Structural Causal Models
Faculty of EEMCS, University of Twente（埃因霍温理工大学电子与电气工程学院）；ICIS, Radboud University（拉德堡德大学ICIS中心）
本文探讨了贝叶斯网络与因果图之间的关系，分析了概率结构因果模型的存在性和唯一性，并利用线性代数方法进行转换。
2026-04-23 cs.AI cs.LG
State Algebra for Probabilistic Logic
Stratyfy Inc.（Stratyfy公司）；Department of Mathematics, College of Staten Island（史泰登岛学院数学系）；Physics Program, CUNY Graduate Center（CUNY研究生中心物理项目）
本文提出概率状态代数，扩展了确定性命题逻辑，通过线性代数构建马尔可夫随机场。通过将逻辑状态映射为实数坐标作为能量势，定义能量模型，利用Hadamard积生成全局概率分布，实现逻辑缩减的原生矩阵运算。
2026-03-13 cs.AI cs.LG cs.LO
Dempster-Shafer vs. Probabilistic Logic
Northrop Research and Technology Center（诺斯罗普研究与技术中心）
比较了Dempster-Shafer理论中的证据组合与概率逻辑中的证据组合。这两种方法是一致的充分条件。然后，它表明，这些条件是最小的意义上说，分歧可能发生时，其中任何一个被删除。一个例子中，传统的假设条件独立的证据假设成立，并假设一个统一的先验，但概率逻辑和Dempster的规则给两个证据事件的组合从根本上不同的结果。
2013-03-27 cs.AI
Sequential Recommendation with Probabilistic Logical Reasoning
Soochow University（苏州大学）；Macquarie University（麦考瑞大学）；Texas Tech University（德克萨斯理工大学）；Suzhou Vocational University（苏州市职业大学）
针对神经符号序列推荐中的逻辑表示难题，提出SR-PLR框架，解耦特征与逻辑嵌入，结合概率逻辑推理，提升推荐性能。
2023-05-15 cs.AI
A Fundamental Probabilistic Fuzzy Logic Framework Suitable for Causal Reasoning
Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））；The University of Quebec at Trois-Rivieres（魁北克大学三河分校）
在本文中，我们介绍了一个基本框架，以建立一个桥梁之间的概率论和模糊逻辑。事实上，我们的理论制定了一个随机的实验，选择脆元素的标准，具有一定的模糊属性。为此，我们将一些特定的清晰随机变量与随机实验相关联。然后，给出了几个公式，使计算这些随机变量的不同条件概率和期望值变得容易。为概率模糊逻辑框架的建立提供了理论依据。注意，在我们的理论中，来自上述随机变量的连续分布的概率密度函数包括狄拉克δ函数作为一项。此外，我们介绍了我们的理论在因果推理中的应用。
2022-05-30 cs.AI cs.LO math.PR
On Probabilistic and Causal Reasoning with Summation Operators
Stanford University（斯坦福大学）；University of California, Berkeley（加州大学伯克利分校）
该研究完成了带求和算子的概率与因果语言的复杂度刻画，证明二者推理难度相当，还发现无限制自由变量会导致系统不可判定，并完成相关语言公理化，解决了前人提出的开放问题。
2024-05-18 cs.AI cs.CC cs.LO
