An Abstract View on Optimizations in Propositional Frameworks
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）
搜索优化问题在科学和工程领域中大量存在。长期以来，人工智能对搜索算法和声明性程序设计语言的发展做出了贡献，这些语言旨在解决和建模搜索优化问题。自动推理和知识表示是人工智能的子领域，特别是在这些发展中。许多流行的自动推理范例为用户提供了支持优化语句的语言：答案集编程或Minone上的MaxSAT，仅举几例。这些范例在它们的语言和它们在计算解决方案上表达质量条件的方式上有很大的不同。在这里，我们提出了一个统一的框架，所谓的重量系统，消除了语法之间的区别范例，并允许我们看到本质的相似性和差异提供的优化语句的范例。这种统一的观点在自动推理和知识表示中的优化和模块化研究中具有显著的简化和解释潜力。它还为研究人员提供了一个方便的工具，用于证明不同框架的形式属性;桥接这些框架;并促进翻译求解器的开发。
2023-03-20 cs.AI
A Complete Calculus for Possibilistic Logic Programming with Fuzzy Propositional Variables
Universitat de Lleida (UdL)（莱里达大学）；CSIC（西班牙国家研究委员会）
本文提出了一种用于可能性不确定性推理和表示模糊知识的命题逻辑程序设计语言。公式由对（A，c）表示，其中A是多值命题，c是单位区间[0，1]中的值，它表示关于A的信念在必要性测度方面的下界。信念状态的所有多值解释的集合上的可能性分布建模。在这个框架中，（i）定义了一般不确定性逻辑的语法和语义，（ii）给出了Horn-规则子语言的一个前件式演算，并证明了它对于确定模糊命题变量从公式集合中导出的最大可能性信念度是完备的;最后，（iii）我们展示了如何计算模糊命题变量之间的部分匹配，在必要性措施的模糊集，可以包括在我们的逻辑编程系统。
2013-01-16 cs.AI
LPC(ID): A Sequent Calculus Proof System for Propositional Logic Extended with Inductive Definitions
Carnegie Mellon University（卡内基梅隆大学）；Katholieke Universiteit Leuven（鲁汶大学）
逻辑FO（ID）使用来自逻辑编程领域的思想来扩展具有非单调归纳定义的一阶逻辑。这种逻辑形式上扩展了逻辑程序设计、溯因逻辑程序设计和数据逻辑，从而将对这些形式主义的看法形式化为（广义）归纳定义的逻辑。本文的目标是研究FO（ID）的命题片段PC（ID）的演绎推理方法。我们引入了一个正式的证明系统的基础上的演算（根森式演绎系统），这种逻辑。由于PC（ID）是经典命题逻辑和命题归纳定义的集成，我们的推理演算证明系统集成了命题演算和定义的推理规则。我们提出了这个证明系统的可靠性和完整性，相对于PC（ID）的一个略有限制的片段。我们还提供了PC（ID）的一些复杂性结果。通过对PC（ID）证明系统的开发，有助于加深对FO（ID）证明理论基础的理解，从而研究FO（ID）的有效证明系统。
2012-07-11 cs.AI cs.LO
Towards Propositional KLM-Style Defeasible Standpoint Logics
University of Cape Town（开普敦大学）；CAIR（计算与人工智能研究所）；Technische Universität Dresden（德累斯顿工业大学）；Center for Scalable Data Analytics and Artificial Intelligence Dresden/Leipzig（德累斯顿/莱比锡可扩展数据分析与人工智能中心）
本文提出可废止受限立场逻辑DRSL，整合排序解释与立场结构构建其语义，将KLM的理性闭包扩展到该逻辑并给出等价的算法与语义刻画，验证其蕴涵检验复杂度与命题KLM一致。
2024-10-05 cs.AI
Propositional satisfiability in declarative programming
ASP范式是一种使用逻辑来解决搜索问题的方法。给定一个搜索问题，为了解决它，人们在逻辑中设计了一个理论，以便这个理论的模型代表问题的解决方案。要计算一个问题的解，需要计算相应理论的模型。在逻辑程序设计的基础上，利用稳定模型的语义，发展了几种答案集程序设计形式。在本文中，我们表明，谓词演算的逻辑也产生了有效的实现的ASP范式，类似的精神，逻辑编程与稳定的模型语义和类似的适用范围。具体来说，我们提出了两个逻辑的基础上谓词演算编码搜索问题的形式主义。我们表明，这些逻辑的表达能力是由类NP-搜索。我们演示了如何使用它们在编程和开发计算工具的模型发现。在逻辑的情况下，我们的技术减少问题的命题可满足性，并允许使用现成的可满足性求解器。另一种逻辑的语言具有更复杂的语法，并提供了明确的方法来建模一些高级约束。对于这种逻辑中的理论，我们设计了自己的求解器，它利用了扩展的语法。我们目前的实验结果表明计算的整体方法的有效性。
2002-11-25 cs.AI cs.LO
Aggregate Semantics for Propositional Answer Set Programs
University of Calabria（卡拉布里亚大学）；University of Klagenfurt（克拉根福大学）；Graz University of Technology（格拉茨工业大学）
答案集编程（ASP）出现在20世纪90年代后期，作为知识表示和推理的范例。ASP的吸引力建立在一个富有表现力的高级建模语言以及强大的现成解决系统的可用性之上。虽然在建模语言中加入聚合表达式的实用性几乎与第一个ASP解决系统的诞生同时实现，但聚合的一般语义及其有效实现一直是长期存在的挑战。聚集被提出并广泛应用于数据库系统中，也被应用于演绎数据库语言数据库中，演绎数据库语言是ASP的主要前身之一。然而，聚合的使用仍然在Datatron中受到限制（不允许递归或只允许单调聚合），而在ASP的上下文中，集成无限制聚合的几种方法得到了发展。在这项调查中，我们拿起在这一点上的发展，提出和比较的主要聚合语义，已提出的命题ASP程序。我们突出的关键属性，如计算复杂性和表达能力，并概述了说明性的例子不同的方法的能力和局限性。
2021-09-17 cs.AI
On the Compilability and Expressive Power of Propositional Planning Formalisms
最近的方法，扩展的GRAPHOLOGY算法来处理更多的表达规划形式主义提出了一个问题，什么是“表达能力”的正式含义。我们形式化的直觉，表达能力是一个衡量如何简洁地规划域和计划可以表示在一个特定的形式主义，通过引入规划形式主义之间的概念“编译方案”。使用这个概念，我们分析了一个大家庭的命题规划形式主义的表达能力，范围从基本的CIPPS的形式主义与条件的影响，部分状态规范，命题公式的前提条件。其中一个结果是，如果计划大小仅应线性增长，则条件效应不能被编译掉，但如果我们允许结果计划的多项式增长，则条件效应可以被编译掉。这一结果证实，最近提出的扩展GRAPHOLOGY算法的条件效应是最佳的“可编译性”的框架。另一个结果是，一般命题公式不能编译成条件效应，如果计划的大小应保持线性。这意味着在前提条件和效果条件中允许一般命题公式增加了生成计划的另一个难度。
2011-06-01 cs.AI
Belief Revision, Minimal Change and Relaxation: A General Framework based on Satisfaction Systems, and Applications to Description Logics
Centrale Supelec（中央理工-高等电力学院）；Université Paris-Saclay（巴黎萨克雷大学）；Université Paris-Dauphine（巴黎多芬大学）；CNRS（法国国家科学研究中心）；Télécom ParisTech（巴黎电信学院）
信念修订的知识库表示的一组句子在一个给定的逻辑已被广泛研究，但具体的逻辑，主要是命题，最近也霍恩和描述逻辑。在这里，我们建议从模型理论的角度来概括这种操作，通过定义在一个抽象的模型理论的名称下的满意度系统的修订。在这个框架中，我们推广到任何满意度系统的特征的著名AGM假设给出的胜野和Mendelzon命题逻辑的最小变化之间的解释。此外，我们研究了如何定义修订，满足AGM假设，从松弛的概念，已首次引入描述逻辑定义概念之间的相异性措施，其后果是放松的旧信念的模型集，直到它成为符合新的知识。我们展示了如何建议的一般框架可以在不同的逻辑，如命题，一阶，描述和霍恩逻辑实例化。特别是描述逻辑，我们介绍了几个具体的松弛算子定制的描述逻辑$\ALC{}$和它的片段$\EL{}$和$\ELext{}$，讨论它们的属性，并提供了一些说明性的例子。
2017-01-13 cs.AI
Prime Implicates and Prime Implicants: From Propositional to Modal Logic
University of Bremen（不来梅大学）
素蕴涵和素蕴涵已经被证明与人工智能的许多领域相关，最显著的是溯因推理和知识编译。本文的目的是研究如何将这些概念从命题逻辑适当地扩展到模态逻辑K。我们在论文的开头考虑了K的子句和术语的一些可能的定义。不同的定义进行评估方面的一组句法，语义和复杂性理论的性质特征的命题定义。然后，我们比较的定义方面的性质的概念，他们诱导的素蕴涵和素蕴涵。虽然没有定义，完美地概括了命题的概念，我们表明，确实存在一个定义，满足许多理想的性质的命题的情况下。在论文的后半部分，我们考虑了所选定义的计算性质。为此，我们提供了健全的和完整的算法生成和识别总理牵连，我们表明总理牵连识别任务是PSPACE完成。我们还证明了上界和下界的大小和数量的素数蕴涵。虽然本文的重点是逻辑K，我们所有的结果同样适用于多模态K和描述逻辑ALC中的概念表达式。
2014-01-15 cs.AI cs.LO
A Set Theoretic Approach for Knowledge Representation: the Representation Part
Western Sydney University（西悉尼大学）
在本文中，我们提出了一个集合论方法的知识表示。虽然应用领域的语法是由集合论构造（包括个体、概念和运算符）捕获的，但知识是由等式断言形式化的。我们首先提出了一个原始的形式，使用最少的假设知识和结构。然后，假设朴素集合论，我们扩展它的定义，这是特殊类型的知识。有趣的是，我们表明，原始形式是表达足够的定义逻辑运算符，不仅命题连接词，但也量词。
2016-03-11 cs.AI
Abstract Modular Systems and Solvers
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）
将不同的形式主义集成到模块化知识表示系统中提供了更高的表达性、建模便利性和计算优势。我们引入抽象模块和抽象模块化系统的概念来研究集成异构多逻辑系统的模型查找程序或求解器的设计和分析背后的一般原理。我们展示了抽象模块和抽象模块化系统如何产生过渡系统，这是一个自然和方便的表示，求解器开创了SAT社区。我们说明了我们的方法，显示它如何适用于回答集编程和命题逻辑，并基于这两个形式主义的多逻辑系统。
2013-12-20 cs.AI
Morphologic for knowledge dynamics: revision, fusion, abduction
LTCI, Télécom ParisTech, Université Paris-Saclay（LTCI，巴黎高等电信学院，巴黎萨克雷大学）；Université Paris-Dauphine, PSL Research University, CNRS（巴黎第九大学，巴黎文理研究大学，法国国家科学研究中心）；Universidad de Los Andes（洛斯安第斯大学）；Universidad Industrial de Santander（桑坦德工业大学）
人工智能中的一些任务要求能够找到关于知识动态的模型。它们包括信念修正、融合和信念合并以及溯因。在本文中，我们利用代数框架的数学形态学的命题逻辑的背景下，并定义操作，如膨胀或腐蚀的一组公式。我们得出具体的运营商，基于语义的方法，有一个直观的解释，并正式表现良好，执行修订，融合和绑架。计算和易处理的地址，和简单的例子说明了可以得到的典型结果。
2018-02-14 cs.AI
Bayesian Logic Programs
贝叶斯网络提供了一个优雅的形式主义表示和推理的不确定性使用概率论。它们是命题逻辑的概率扩展，因此继承了命题逻辑的一些局限性，例如难以表示对象和关系。我们引入了贝叶斯网络的一般化，称为贝叶斯逻辑程序，以克服这些限制。为了表示对象和关系，它通过在基础原子和随机变量之间建立一对一的映射，将贝叶斯网络与确定性子句逻辑相结合。我们表明，贝叶斯逻辑程序结合了确定子句逻辑和贝叶斯网络的优点。这包括模型的定量和定性方面的分离。此外，贝叶斯逻辑程序推广贝叶斯网络以及逻辑程序。所以，很多想法
2001-11-23 cs.AI cs.LO
Reasoning With Qualitative Probabilities Can Be Tractable
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
我们最近描述了一种形式主义，用于使用“若-则”规则进行推理，这些规则以不同的坚定性水平重新表达[18]。形式主义将这些规则解释为极端条件概率陈述，指定了不可信的数量级，这对世界的可能排名施加了约束。结果表明，一旦我们计算的优先级函数Z+的规则，一个给定的查询被确认或拒绝的程度可以计算在O（log n`）命题可满足性测试，其中n是在知识库中的规则的数量。在本文中，我们证明了计算Z+需要O（n2 X log n）的可满足性测试，而不是在[18]中列出的指数数，这在Horn表达式的情况下降低到多项式复杂度。我们还展示了如何推理与不精确的意见，可以纳入我们的形式主义，以及如何流行的信念修正和认知的战壕概念体现自然和听话。
2013-03-13 cs.AI
Model Transformations for Ranking Functions and Total Preorders
FernUniversität in Hagen（哈根函授大学）
在知识表示领域，所考虑的认知状态通常基于命题解释，也称为世界。例如，在一个示例中，智能体的认知状态可以通过世界上的排序函数或全前序来建模。然而，在命题语言中，通常有不同的方式来描述真实世界的情况;这可以被看作是对同一情况的不同观点。在本文中，我们引入了模型转换的概念，从一个观点到另一个观点的认知状态转换，产生一个新的概念的等价的认知状态。我们展示了如何众所周知的优势，句法分裂，最初开发的信念集，后来扩展到代表的认知状态和非单调推理，可以利用信念修订通过模型转换，发现分裂之前不存在。此外，我们的特点的情况下，信念改变运营商与模型转换。
2022-03-26 cs.AI
Belief Revision in Sentential Decision Diagrams
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达尔·莫尔人工智能研究所）
信念修正是当新信息变得可用时修改知识库的任务，同时也尊重许多期望的属性。经典的信念修正方案已经专门用于\emph{binary decision diagrams}（BDDs），经典的形式主义来压缩表示命题知识。这些结果也适用于\emph{ordered} BDD（OBDD），这是一类特殊的BDD，旨在保证规范性。然而，这些修订不能应用于\emph{sentential decision diagrams}（SDD），这是一种典型的更紧凑但仍然规范的布尔电路类，它概括了OBDD，但不是BDD的子类。在这里，我们填补了这一空白，推导出一个通用的SDDs的基础上Dalal修订的句法特征的修订算法。还提出了一种用于DNF的专门程序。随机生成的知识库进行的初步实验显示直接执行SDD形式主义内的修订的优势。
2022-01-20 cs.AI
Operationalizing Declarative and Procedural Knowledge: a Benchmark on Logic Programming Petri Nets (LPPNs)
Informatics Institute, University of Amsterdam（阿姆斯特丹大学信息学研究所）
对复杂系统进行建模、指定和推理需要以集成的方式处理目标域的声明性和过程性方面。本文报告的逻辑编程Petri网（LPPNs），一个符号扩展Petri网与逻辑编程结构的命题版本进行的实验。提出了两种语义：通过事件演算将符号完全映射到ASP的指称语义;以及通过Petri网分别处理因果机制和通过应答集编程（ASP）处理与对象和事件相关联的约束的混合操作语义。这两个替代规范使得能够在计算效率方面进行经验评估。实验结果表明，混合语义比传统语义更有效。序列，而这两个语义遵循相同的行为w.r.t.分支（尽管在绝对值方面，外延分支表现得更好）。
2020-07-31 cs.AI
On Expansion and Contraction of DL-Lite Knowledge Bases
Ocado Technology（奥卡多科技）；University of Oxford（牛津大学）；Free University of Bozen-Bolzano（博岑-博尔扎诺自由大学）
知识库（KBs）不是静态的实体：新的信息不断出现，一些以前的知识变得过时。为了反映这种知识的演变，知识库应扩大与新的知识和收缩从过时的。这个问题是很好的研究命题，但少得多的一阶知识库。在这项工作中，我们调查知识的扩展和收缩表示在DL-Lite，一个家庭的描述逻辑（DL）的基础上的易处理的片段OWL 2 QL的Web本体语言OWL 2。我们从一个新的知识进化框架和进化应该尊重的自然假设开始，并将我们的假设与公认的AGM假设进行比较。然后，我们回顾了著名的模型和公式为基础的方法膨胀和收缩的命题理论，并展示了它们如何可以适应的情况下DL-Lite。特别是，我们显示基于模型的方法的内在局限性：除了事实上，他们中的一些人不尊重我们已经建立的假设，他们忽略了知识库的结构特性。这导致了进化结果的不期望的性质：DL-Lite KB的进化不能在DL-Lite中捕获。此外，我们发现，众所周知的基于公式的方法也不适合DL-Lite的扩展和收缩：它们要么具有很高的计算复杂性，要么产生无法用DL-Lite表示的逻辑理论。因此，我们提出了一种新的基于公式的方法，尊重我们的原则，并在DL-Lite中表达进化。对于这种方法，我们还提出了多项式时间确定性算法来计算DL-Lite知识库的演变时，演变只影响事实数据。
2020-01-25 cs.AI cs.LO
On LLM-generated Logic Programs and their Inference Execution Methods
University of North Texas（北得克萨斯大学）
本文研究从大语言模型中提取逻辑程序形式知识的技术，提出软合一、GPU加速极小模型计算等新执行方法，以实现可靠推理、验证输出一致性并扩展LLM推理能力。
2025-02-13 cs.AI
Decision Tree Learning with Spatial Modal Logics
Dept. of Mathematics and Computer Science University of Ferrara, Italy（费拉拉大学数学与计算机科学系）；Dept. of Mathematical, Physical and Computer Sciences University of Parma, Italy（帕尔马大学数学、物理与计算机科学系）
符号学习代表了可解释建模的最直接方法，但其应用受到单一结构设计选择的阻碍：采用命题逻辑作为底层语言。最近，已经开始出现比命题更多的符号学习方法，特别是对于时间依赖的数据。这些方法利用模态时态逻辑在强大的学习算法中的表达能力，例如时态决策树，其分类能力与最好的非符号算法相当，同时产生具有明确知识表示的模型。为了在空间数据的情况下遵循相同的方法，本文：i）提出了空间决策树学习理论; ii）描述了基于并严格扩展经典C4.5算法的空间决策树学习算法的原型实现;以及iii）执行一系列实验，在这些实验中，我们比较了空间决策树的预测能力与经典命题决策树的预测能力，用于公共可用数据集上的多类图像分类问题。我们的研究结果是令人鼓舞的，表现出明显的改善，从命题的空间模型，这反过来又表现出更高水平的可解释性。
2021-09-17 cs.AI cs.LG cs.LO
A tensor network formalism for neuro-symbolic AI
Weierstrass Institute of Applied Analysis and Stochastics（魏尔斯特拉斯应用分析与随机学研究所）
本文提出了一种张量网络形式化方法，用于统一神经和符号AI，通过结构化张量分解实现逻辑与概率模型的混合训练。
2026-01-21 cs.AI cs.LG cs.LO
Action Language BC+
School of Computing, Informatics, and Decision Systems Engineering（计算、信息与决策系统工程学院）；Arizona State University（亚利桑那州立大学）
本文提出动作语言BC+，基于一般稳定模型语义弥合动作语言与现代ASP的差距，涵盖B、C、C+、BC特性，并借助cplus2asp实现。
2025-06-22 cs.AI
Unifying Class-Based Representation Formalisms
类的概念在计算机科学中是普遍存在的，并且在用于知识表示和数据库中的结构化知识的表示的许多形式主义中是中心的。在本文中，我们研究的基本问题，这种表示形式主义，并挑选出他们的共同特点和他们的显着特点。这样的调查导致我们提出了一个统一的框架，在这个框架中，我们能够捕获在不同的上下文中使用的几种表示语言的基本方面。所提出的形式主义表示的风格的描述逻辑，这已被引入知识表示作为一种手段，提供一个语义上有充分根据的基础上的结构方面的知识表示系统。描述逻辑是一阶逻辑的一个子集，具有良好的计算特性。它是相当有表现力的，并具有一个新的结构组合，以前没有研究过。区别结构是数量限制，它概括了存在性和功能依赖性，逆角色，它允许人们引用关系的逆，以及可能的循环断言，这是捕获现实世界域所必需的。我们能够表明，正是这种结构的组合，使我们的逻辑强大到足以建模的基本功能集定义类结构是共同的框架系统，面向对象的数据库语言，和语义数据模型。由于建立的对应关系，上述形式主义的几个重要的扩展变得可用。我们提出的逻辑的高表达性和需要在不同的上下文中捕获的推理迫使我们区分无限制和有限模型推理。我们的建议的一个显着特点是，在这两种情况下的推理是可判定的。我们认为，凭借高的表达能力和相关的推理能力，不受限制的和有限的模型，我们的逻辑提供了一个共同的核心，基于类的表示形式主义。
2011-05-27 cs.AI
Optimal Alignment of Temporal Knowledge Bases
Sapienza University of Rome（罗马第一大学）；Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig（德累斯顿/莱比锡可扩展数据分析与人工智能中心（ScaDS.AI））
本文提出时序知识库（TKB）对齐问题，通过最小化修改TKB使其能推导出给定查询且代价最优，针对ALC TKBs与带LTL算子的合取查询设计求解技术，扩展了有限迹上命题LTL的对齐方法。
2023-07-28 cs.AI cs.LO
A Theory of Formalisms for Representing Knowledge
Zhejiang Lab（之江实验室）；Nankai University（南开大学）
本文提出一个通用框架刻画知识表示形式化体系，证明所有通用形式化体系及满足填充性质的两两互译形式化体系均递归同构，从而在离线编译意义下统一了声明式与过程式、符号与连接主义之争。
2024-12-29 cs.AI cs.CC cs.LO
Mathematical Knowledge Representation: Semantic Models and Formalisms
Kazan Federal University（喀山联邦大学）；Research Institute of Applied Semiotics of the Tatarstan Academy of Sciences（鞑靼斯坦科学院应用符号学研究所）
本文综述了解决数学知识管理基本任务的语义方法。本体模型和形式主义进行了讨论。我们提出了一个数学知识本体，涵盖了广泛的数学领域。我们展示了这种表示在数学公式搜索和学习中的应用。
2014-08-29 cs.AI cs.DL cs.IR
New Polynomial Classes for Logic-Based Abduction
我们解决基于命题逻辑的溯因问题，即，根据给定的命题知识库，为给定的命题观测寻找最佳解释的问题。我们给出了一个通用的算法，投影的概念的基础上，然后我们研究的知识库和查询的表示限制，并找到新的多项式类的绑架问题。
2011-06-26 cs.AI
ALIST: Associative Logic for Inference, Storage and Transfer. A Lingua Franca for Inference on the Web
University of Edinburgh（爱丁堡大学）
支持构建知识图谱的最新发展已经导致在网络上和组织内创建知识图谱的快速增长。添加到现有的数据源，包括关系数据库、API等，存在对查询这些不同知识源的技术的强烈需求。虽然存在用于查询某些知识图谱的形式化查询语言（例如SPARQL），但是用户需要知道他们需要查询哪些知识图谱以及他们需要的资源的唯一资源标识符。虽然神经信息检索中的替代技术将知识图谱的内容嵌入到向量空间中，但是它们不能提供所需的表示和查询表达性（例如，不能处理诸如回归的非平凡聚合函数）。我们相信，一种通用语言，即形式主义，使这种代表性的灵活性，将增加智能自动代理的能力，结合不同的数据源的推断。我们的工作提出了一个灵活的表示（ALLIS），以支持智能联合查询不同的知识源。我们的贡献包括：（1）从知识图谱的特定查询语言中抽象出查询表示的形式化;（2）动态管理数据和函数的表示（操作）在不同的知识源上执行非平凡的推理;（3）列表的表现力的演示，以表示表示形式主义的多样性，包括SPARQL查询，以及更一般的一阶逻辑表达式。
2023-03-12 cs.AI
An Algebraic Notion of Conditional Independence, and Its Application to Knowledge Representation (full version)
Open Universiteit（开放大学）；University of Cape Town（开普敦大学）
本文在近似不动点理论的代数框架中研究了条件独立性概念，提供了独立于语言的描述，可将全局推理归约为局部推理的并行实例，并应用于正逻辑程序设计。
2024-12-18 cs.AI cs.LO
Exact ASP Counting with Compact Encodings
National University of Singapore（新加坡国立大学）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；University of Toronto（多伦多大学）
针对现有精确ASP计数器难以处理大规模输入、可扩展性差的问题，本文提出sharpASP框架，通过替代答案集定义迁移命题模型计数关键技术，在1470个基准上实现了显著性能提升。
2023-12-19 cs.AI cs.LO
The Language of Search
National ICT Australia（澳大利亚国家信息通信技术研究院）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文研究了一类在命题知识库上进行穷举搜索的算法。我们表明，这些算法定义和生成一个命题语言。具体来说，我们表明，搜索的痕迹可以被解释为一个组合电路，搜索算法，然后定义了一个命题语言的电路，在所有可能的执行算法生成。特别是，我们表明，几个版本的穷举DPLL搜索对应于这些众所周知的语言，如FBDD，OBDD，和一个精确定义的d-DNNF的子集。因此，通过映射搜索算法的命题语言，我们提供了一个统一的和实用的框架中，成功的搜索技术可以利用编译的知识到各种语言的兴趣，和一个新的方法，搜索算法的力量和局限性，可以通过查找相应的命题语言的易处理性和简洁性来理解。
2011-10-12 cs.AI
A Logic Programming Approach to Knowledge-State Planning: Semantics and Complexity
我们提出了一种新的声明式规划语言，称为K，这是基于逻辑编程的原则和方法。在这种语言中，可以描述知识状态之间的转换，而不是完全描述的世界状态之间的转换，这使得语言非常适合在不完整的知识下进行规划。此外，它使默认原则在规划过程中的使用，支持否定失败。尽管如此，K还支持世界状态之间的转换的表示（即，完全知识的状态）作为特例，这表明语言是非常灵活的。正如我们在特定示例中所展示的，知识状态的使用可以允许自然和紧凑的问题表示。然后，我们提供了一个彻底的分析K的计算复杂性，并考虑不同的规划问题，包括标准规划和安全规划（也称为一致性规划）的问题。我们表明，这些问题有不同的复杂性下的各种限制，从NP到NEXPTIME的命题的情况下。我们的结果形成了DLV^K系统的理论基础，该系统在DLV逻辑编程系统之上实现了K语言。
2001-12-05 cs.AI cs.LO
ASPeRiX, a First Order Forward Chaining Approach for Answer Set Computing
University of Angers（昂热大学）
在人工智能中使用回答集编程（ASP）来表示知识或解决组合问题的自然方式是精心设计具有默认否定的一阶逻辑程序。在第一步中，这个带有变量的程序被第一个工具翻译成一个等价的命题：地球仪。然后，命题程序被交给第二个工具：求解器。最后一个计算（如果存在）程序的一个或多个答案集（稳定模型），每个答案集编码初始问题的一个解。直到今天，几乎所有的ASP系统都采用这两步计算。在这篇文章中，ASPeRiX项目是作为一个一阶前向链接方法的答案集计算。这个项目是第一个引入答案集计算方法的项目之一，该方法通过将其集成到搜索过程中来避免规则实例化的初始阶段。该方法适用于一阶规则的前向链接，这些规则通过先前产生的原子在飞行中接地。该方法的理论基础，ASP求解器ASPeRiX的主要算法进行了详细说明，并提供了一些实验和与现有系统的比较。
2016-11-16 cs.AI cs.LO
Embedding Non-Ground Logic Programs into Autoepistemic Logic for Knowledge Base Combination
Free University of Bozen-Bolzano（波尔扎诺自由大学）；Digital Enterprise Research Institute（数字企业研究院）；National University of Ireland, Galway（爱尔兰国立高威大学）
在语义网的背景下，已经提出了几种方法来结合的本体，在经典的一阶逻辑和规则库的理论。它们要么将规则注入经典逻辑，要么限制规则与本体之间的交互。自认知逻辑（Autoepistemic logic，AEL）是一种很有吸引力的形式化语言，它可以作为一种统一的宿主语言，将本体和非单调逻辑程序嵌入其中，从而克服了这些局限性。本文给出了正常非基逻辑程序和析取非基程序在稳定模型语义下到一阶AEL的三种嵌入。虽然嵌入都对应于目标基础原子，但在考虑非原子公式和与一阶理论的组合时会出现差异。我们比较嵌入稳定的扩展和自我认知的后果，考虑嵌入本身，以及与经典理论的组合。我们的研究结果揭示了嵌入的差异和对应关系，并提供了有用的指导，在选择一个特定的嵌入知识组合。
2010-06-11 cs.AI cs.LO
Interpolation in Knowledge Representation
TU Dortmund University（图卢兹德多特蒙德大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Universidade Nova de Lisboa（里斯本新大学）
本文研究了描述逻辑和逻辑编程中插值计算的理论与实践方法，探讨了其在知识表示中的应用及挑战。
2025-12-09 cs.AI cs.LO
Improving Neural-based Classification with Logical Background Knowledge
IRT SystemX；CentraleSupélec（中央高等电力学院）
本文提出推理时语义条件约束这一神经符号技术，在不影响训练的前提下约束推理过程，并通过多尺度实验证明其能以更少资源构建更准确且语义一致的神经分类系统。
2024-02-20 cs.AI cs.LG cs.SC
Efficient Knowledge Compilation Beyond Weighted Model Counting
TU Vienna（维也纳工业大学）；KU Leuven（鲁汶大学）
逻辑编程的定量扩展通常需要解决所谓的第二级推理任务，即，在加法和乘法之上涉及第三操作（诸如最大化或归一化）的问题，并且因此超出了分布语义下的概率逻辑编程的公知的加权或代数模型计数设置。我们引入二级代数模型计数（2AMC）作为这些问题的通用框架。由于2AMC是（代数）模型计数的forall-exists-SAT是命题可满足性，这是出了名的难以解决。基于知识编译（KC）的第一级技术已被改编为特定的2AMC实例施加可变的顺序约束所产生的电路。然而，这些约束会严重增加电路尺寸，从而降低这种方法的效率。我们表明，我们可以利用2AMC问题的逻辑结构，省略这些约束的一部分，从而限制了负面影响。此外，我们引入并实现了一个策略，以产生一个足够的约束静态，与先验保证KC的性能。我们对几个基准和任务的实证评估证实了我们的理论结果可以转化为更有效的解决在实践中。正在考虑接受TPLP。
2022-05-16 cs.AI cs.LO
A tableau methodology for deontic conditional logics
在本文中，我们提出了一个定理证明方法的限制，但重要的片段的条件语言（布尔组合）条件语句与非嵌套的前件。该方法基于条件逻辑的可能世界语义。KEM标签形式主义，旨在说明正常模态逻辑的语义，很容易适应条件逻辑的语义，通过简单的索引标签与公式。推理规则由命题系统KE+提供-一个类似表格的分析证明系统，设计用于反驳和直接证明方法-扩大了条件连接词的适当消除规则。我们将要提出的定理证明方法可以被看作是为（可废止的）条件义务的几个条件逻辑开发适当的算法框架的第一步。
2000-03-10 cs.AI cs.LO
Characterizing Realizability in Abstract Argumentation
TU Wien（维也纳工业大学）；Leipzig University（莱比锡大学）
知识表示形式化的可实现性研究的问题是：给定一个语义和一组解释，是否存在一个其语义与给定的解释集完全一致的知识库？我们介绍了一个一般的框架，分析可实现性的抽象辩证框架（ADF）和它的各种子类。特别是，该框架适用于Dung论证框架，尼尔森和帕森斯的SETAF，以及双极ADF。我们提出了一个统一的特征化方法的容许，完全，首选和模型/稳定的语义。我们采用这种方法来设计一种算法，决定上述形式主义和语义的可实现性，而且该算法允许构建所需的知识库，只要存在。该算法是内置的一个模块化的方式，因此很容易扩展到新的形式主义和语义。我们还实现了我们的方法在答案集编程，并使用该实现获得了几个新的结果，上述形式主义的相对表现力。
2016-03-31 cs.AI cs.LO
Logic of Hypotheses: from Zero to Full Knowledge in Neurosymbolic Integration
University of Padua（帕多瓦大学）；Fondazione Bruno Kessler（布鲁诺·科斯勒基金会）；University of Bozen-Bolzano（博赞-博尔扎诺大学）
本文提出LoH语言，结合数据驱动规则学习与符号先验和专家知识，实现神经符号整合的灵活统一，并通过模糊逻辑实现可微计算图编译。
2026-05-15 cs.AI cs.LG cs.LO
Merging Knowledge Bases in Possibilistic Logic by Lexicographic Aggregation
Southeast University（东南大学）；Guangdong University of Foreign Studies（广东外语外贸大学）
信念融合是人工智能中的一个重要而又困难的问题，特别是在信息源充满不确定性的情况下。可能性逻辑是一种处理不一致性和不确定性的加权逻辑，许多合并算子被提出来处理这个问题。他们往往导致一个可能性的知识库，这是一组加权公式。虽然可能性逻辑是不一致容忍的，但它受到众所周知的“溺水效应”的影响。因此，我们可能仍然希望获得一致的可能性知识库作为合并的结果。在这种情况下，我们认为，它并不总是有必要保持加权信息合并后。本文定义了一个合并算子，它利用字典序将一组可能性知识库和一个表示完整性约束的公式映射到一个经典知识库。我们证明它满足9个命题，这些命题推广了文[11]中命题归并的基本假设.这些假设在某种意义上抓住了最小变化原则。然后，我们提供了一个算法，用于生成合并运算符的知识库。最后，讨论了该合并算子与命题合并算子的相容性，证明了该合并算子在命题情况下优于现有语义合并算子的优点.
2012-03-15 cs.AI
Top-Down Knowledge Compilation for Counting Modulo Theories
KU Leuven（鲁汶大学）；Örebro University（厄勒布鲁大学）；University of Trento（特伦托大学）
本文研究计数模理论（#SMT）的知识编译问题，提出基于穷举DPLL(T)搜索轨迹的自顶向下编译策略，以高效获得支持计数的表示形式。
2023-11-30 cs.AI
Complexity of Propositional Abduction for Restricted Sets of Boolean Functions
Laboratoire d’Informatique Fondamentale（基础信息学实验室）；CNRS（法国国家科学研究中心）；Université d’Aix-Marseille II（艾克斯-马赛第二大学）；Gottfried Wilhelm Leibniz Universität（戈特弗里德·威廉·莱布尼茨大学）
溯因推理是非单调推理的一种基本而重要的形式。给定一个解释世界如何运行的知识库，它旨在为一些观察到的现象找到解释。在本文中，我们专注于命题溯因，其中的知识库和表现形式表示的命题公式。决定是否存在解释的问题一般被证明是SigmaP 2-完全的。我们考虑通过限制允许的连接词在公式中的某些集合的布尔函数的变体。我们给出了一个完整的分类的复杂性的所有可观的布尔函数集。通过这种方式，我们确定更容易的情况下，即NP完全和多项式的情况下，我们突出的棘手的来源。此外，我们解决的问题，计数的解释，并绘制一个完整的图片计数的复杂性。
2010-06-28 cs.AI cs.CC cs.LO
Embedding Symbolic Knowledge into Deep Networks
National University of Singapore（新加坡国立大学）
在这项工作中，我们的目标是利用先验符号知识来提高深度模型的性能。我们提出了一个图嵌入网络，通过一个增广的图卷积网络（GCN）将命题公式（和赋值）投影到流形上。为了生成语义上忠实的嵌入，我们开发了识别节点异质性的技术，以及将结构约束纳入嵌入的语义正则化。实验表明，我们的方法提高了模型的性能训练执行蕴涵检查和视觉关系预测。有趣的是，我们观察到之间的关系的易处理性的命题理论表示和嵌入的容易性。未来对这种联系的探索可能会阐明知识编译和向量表示学习之间的关系。
2019-10-29 cs.AI cs.CV cs.MM
(Neural-Symbolic) Machine Learning for Inconsistency Measurement
Friedrich-Alexander Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学）；University of Koblenz（科布伦茨大学）
本文提出用回归和神经模型预测命题逻辑知识库的不一致性程度值，并通过将不一致性度量的公设推导为符号约束融入学习模型，实验表明该方法可行且能提升预测质量。
2025-02-05 cs.AI
State Algebra for Propositional Logic
Stratyfy Inc.（Stratyfy公司）；Department of Mathematics, College of Staten Island（学院数学系）；Physics Program, CUNY Graduate Center（CUNY研究生中心物理项目）
本文提出State Algebra框架，利用代数方法表示和操作命题逻辑，通过三种表示层次结合代数引擎，在放弃默认规范性的权衡下获得表示灵活性，支持搜索与知识编译算法，并扩展至概率逻辑与Weighted Model Counting。
2025-09-12 cs.AI cs.LO
Representing Context-Sensitive Knowledge in a Network Formalism: A Preliminary Report
MIT Laboratory for Computer Science（麻省理工学院计算机科学实验室）
自动化决策通常由于所涉及的知识的复杂性而变得复杂。这种复杂性大部分来自于潜在现象的上下文敏感变化。我们提出了一个框架，用于表示描述性的，上下文敏感的知识。我们的方法试图整合分类和不确定的知识在网络形式主义。本文概述了基本的表示结构，检查他们的表现力和效率，并讨论了潜在的应用框架。
2013-03-13 cs.AI
Lifted Rule Injection for Relation Embeddings
Ghent University - iMinds（根特大学 - iMinds）；University College London（伦敦大学学院）
基于表示学习的方法在自然语言处理和知识库推理任务中占据着重要地位。然而，一个主要的挑战是如何有效地将常识知识纳入这些模型。最近的一种方法通过一阶逻辑规则的命题化来规范关系和实体表示。然而，命题化并不能扩展到只有很少实体和规则的领域之外。在本文中，我们提出了一个高效的方法，将隐含规则到分布式表示的自动知识库建设。我们将实体元组嵌入映射到一个近似布尔空间，并鼓励基于WordNet挖掘的隐含规则的关系嵌入的偏序。令人惊讶的是，我们发现实体元组嵌入空间的强限制并没有损害模型的表达能力，甚至可以作为正则化器来提高泛化能力。通过结合一些常识规则，我们实现了2个百分点的平均精度比矩阵分解基线，同时观察到一个可以忽略不计的增加运行时。
2016-09-23 cs.AI cs.CL cs.LG
On the Complexity of Optimization Problems based on Compiled NNF Representations
CRIL-CNRS（CRIL-CNRS（计算机科学研究实验室））；Université d’Artois（阿图瓦大学）
优化是许多应用中的关键任务。当所考虑的一组可行解具有组合性质并以隐含方式描述为一组约束时，优化通常是NP难的。幸运的是，在许多问题中，可行解的集合不经常改变，并且独立于用户的请求。在这种情况下，如果编译步骤使得在计算上更容易生成与用户的要求和偏好（其仅在在线步骤处已知）相匹配的非支配但可行的解，则在离线阶段期间编译描述可行解的集合的约束的集合是有意义的。在这篇文章中，我们专注于命题约束。考虑了Darwiche和Marquis的知识编译图中分析的NNF语言的子集L。一些家庭F的陈述的目标函数的命题变量，包括线性伪布尔函数和更复杂的，被认为是。对于每个语言L和每个族F，当约束被编译成L和最优性时生成最优解的复杂性被认为是w.r.t.识别来自F的函数。
2014-10-24 cs.AI
What does a conditional knowledge base entail?
本文提出了一种基于非单调结果关系概念的非单调推理的逻辑方法。一个条件知识库，由一组类型为“if ...”的条件断言组成。然后...“，表示代理人对世界通常行为方式的明确可废止知识。我们寻找一个似是而非的定义的一组所有条件断言所需要的条件知识库。在以前的论文中，S.克劳斯和作者定义并研究了“优先”后果关系。他们注意到，并非所有的优惠关系都可以被视为合理的推理程序。本文研究了一类限制性更强的结果关系，即“理性”关系。任何合理的非单调推理过程都应该定义一个有理关系。它表明，理性的关系，正是那些可以表示为一个“排名”的优惠模型，或（非标准）概率模型。的理性封闭的条件知识库的定义和显示，提供一个有吸引力的答案的问题的标题。证明了这种闭包运算的全局性质：它是一种累积运算。它在计算上也是易处理的。本文假设底层语言是命题语言。
2002-02-18 cs.AI
Representative Sets in Propositional Abduction
Jönköping University（约克灵根大学）；Jönköping University Linköping University（约克灵根大学-林霍姆大学）；Linköping University（林霍姆大学）
研究命题归结中给定解释集能否表示其他解释的问题，先从经典复杂性角度分类，再研究参数化复杂性，发现完整分类需解决编码理论中覆盖半径问题的参数化复杂性，揭示编码理论与非单调推理新联系。
2026-07-24 cs.AI cs.CC cs.DS
The Spaces of Data, Information, and Knowledge
Beihang University（北京航空航天大学）；Centre National de la Recherche Scientifique（法国国家科学研究中心）
我们研究的数据空间$D$的任何给定的数据集$X$和解释如何定义的功能和关系在$D$。从$D$和对于一个特定的域$Δ$，我们通过解释变量，函数和显式关系在$D$在$Δ$和通过包括其他关系，$D$暗示下的解释在$Δ$中，构建$X$的信息空间$I$。然后由$I$建立$X$的知识空间$K$，它是两个空间$K_T$和$K_P$的乘积，其中$K_T$是由$I$通过归纳原理将命题关系推广为量化关系，通过演绎原理产生新的关系，和标准机制来验证关系，而$K_P$是具有操作指令的方法规范的空间，$K_T$。通过我们对这三个拓扑空间的构造，以下关键的观察是清楚的：从用于$Δ$的给定数据集检索信息主要在于挖掘领域对象和关系，并且从检索到的信息发现知识主要在于应用归纳和演绎原理来生成命题，综合和建模信息，以生成具有操作指令的方法规范，并验证命题和规范。基于这一观察，有效的方法可以被设计成从简单的数据中自动发现深刻的知识，正如我们在几何情况下的研究结果所证明的那样。
2014-11-06 cs.AI
Space-contained conflict revision, for geographic information
使用定性推理与地理信息，相反，例如，与机器人技术，看起来不仅挑剔（即：编码知识命题逻辑PL），但似乎是计算复杂的，而不是易于处理的，在大多数时候。然而，知识融合或修订，是一个常见的操作时，用户合并几个不同的数据集在一个独特的决策过程中，没有太多的支持。引入逻辑将是一个很大的改进，我们在本文中提出，手段决定-先验-如果一个应用程序可以受益于一个完整的修订，只有假设的猜想，我们命名为“遏制猜想”，这限制了最小的冲突修改的大小。我们证明，这个猜想给我们带来了有趣的计算性能，执行一个不可证明的，但全球性的，修订，许多地方的修订，在一个易于处理的大小。我们在一个应用程序上说明了这种方法。
2007-03-26 cs.AI
Lexicographic Logic: a Many-valued Logic for Preference Representation
University of Athens（雅典大学）
逻辑形式主义提供了一种自然和简洁的方式来指定和推理偏好。在本文中，我们提出了词典逻辑，经典命题逻辑的扩展，可以表达各种偏好，最显着的词典。建议的逻辑支持一个简单的新的连接，其语义可以定义在有限的真值列表。我们证明，尽管众所周知的理论限制，构成障碍的词典偏好的定量表示，存在一个子集的有理数，建议的新的连接可以自然地定义。词典逻辑可以用来以简单的方式定义一些众所周知的优先运算符，如“$A$和如果可能的话$B$“和“$A$或失败的$B$“。此外，许多其他层次优先运营商可以使用系统的方法来定义。我们认为，新的逻辑是一个有效的形式主义排名查询结果，根据用户的喜好满意度。
2020-12-20 cs.AI cs.LO
