A possibilistic handling of partially ordered information
CRIL - CNRS(法国国家科学研究中心计算机科学、信息与交互实验室);Universite de Toulon et du Var(土伦大学)
在一个标准的可能性逻辑,优先信息编码的加权知识库。本文提出了一种扩展的可能性逻辑处理偏序信息。我们证明了标准可能性逻辑的所有基本概念(归纳、句法和语义推理等)都是可证的。在处理偏序信息时有自然的对应关系。我们还提出了一个算法,计算偏序知识库的偏序知识库的可能性结论。
2012-10-19 cs.AI
Encoding Markov Logic Networks in Possibilistic Logic
Cardiff University(卡迪夫大学);KU Leuven(鲁汶大学)
马尔可夫逻辑使用加权公式对可能世界上的概率分布进行压缩编码。尽管使用了逻辑公式,但马尔可夫逻辑网络(MLN)可能很难解释,因为它们的权重通常是反直觉的。为了解决这个问题,我们提出了一种方法来构建一个可能性逻辑理论,准确地捕捉到什么可以从一个给定的MLN使用最大后验(MAP)推理。不幸的是,这个理论的规模一般是指数级的。因此,我们还提出了两种方法,可以推导出紧凑的理论,仍然捕捉MAP推理,但仅适用于特定类型的证据。这些理论可以被用来,除其他外,明确隐藏的假设下的MLN或解释它的预测。
2015-06-08 cs.AI
A Principled Analysis of Merging Operations in Possibilistic Logic
Institut de Recherche en Informatique de Toulouse (I.R.I.T.)-C.N.R.S. Universite Paul Sabatier(图卢兹计算机科学研究所(IRIT)-法国国家科学研究中心(CNRS)保罗·萨巴蒂埃大学)
可能性逻辑提供了一个定性的框架,用于表示与优先级的不确定性水平相关的信息。在此背景下,多源信息的融合进行了讨论。不同类别的合并运营商被认为是包括合取,析取,加固,自适应和平均运营商。然后,我们建议根据公设来分析这些类。这是通过首先将合并经典基的假设扩展到优先级可用的情况来完成的。
2013-01-16 cs.AI
Induction of Interpretable Possibilistic Logic Theories from Relational Data
Cardiff University(卡迪夫大学);KU Leuven(鲁汶大学)
统计关系学习(Statistical Relational Learning,SRL)是一个从关系数据中学习概率模型的领域。学习的SRL模型通常使用某种加权逻辑公式来表示,这使得它们比通过例如神经网络获得的模型更可解释。然而,在实践中,这些模型通常仍然难以正确解释,因为它们可能包含许多以非平凡方式相互作用的公式,并且权重并不总是具有直观的含义。为了解决这个问题,我们提出了一个新的SRL方法,使用可能性逻辑编码关系模型。学习模型本质上是分层的经典理论,它明确地编码了在给定的确定性水平下可以导出的东西。与马尔可夫逻辑网络(MLN)相比,我们的方法更快,并产生更多的可解释的模型。
2017-05-19 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
Inductive Learning for Possibilistic Logic Programs Under Stable Models
Multi-dimensional data perception and intelligent recognition Chongqing Engineering Research Center, Chongqing University of Arts and Sciences, Chongqing, 402160, China(重庆艺术科技大学智能识别多维数据感知工程研究中心);College of Computer Science and Technology, Guizhou University, Guiyang, 550025, China(贵州大学计算机科学与技术学院);State Key Laboratory of Public Big Data(公共大数据国家重点实验室);Key Laboratory of Advanced Medical Imaging(先进医学影像重点实验室);Institute for Artificial Intelligence, Guizhou University, Guiyang, 550025, China(贵州大学人工智能研究所);School of Information and Communication Technology, Griffith University, QLD 4111, Australia(格里菲斯大学信息与通信技术学院)
本文提出了一种基于稳定模型的可能逻辑程序归纳学习方法,通过定义归纳任务并设计算法,实现了从背景程序和示例中提取可能逻辑程序的功能。
2025-10-08 cs.AI
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
Semantics for Possibilistic Disjunctive Programs
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Universidad de las Américas - Puebla(普埃布拉美洲大学)
本文定义了一种用于不确定、不完全和不一致信息建模的可能性析取逻辑规划方法。该方法引入了可能性选言分句的使用,它能够同时捕获知识库的不完整信息和不完整状态。将可能性逻辑程序看作是一种可能性逻辑理论,定义了一种基于回答集和可能性逻辑证明理论的可能性逻辑程序设计语义的构造方法.它表明,这种可能性语义的析取逻辑程序可以表征为一个不动点算子。它还表明,建议的可能性语义可以计算的决议算法和考虑最佳反驳从可能性逻辑理论。为了管理不一致的可能性逻辑程序,定义了不一致可能性模型间的偏好准则,并采用割集方法恢复不一致可能性知识库的一致性.该方法是在一个医疗场景中说明。
2011-06-03 cs.AI cs.LO cs.PL
Modal Logics for Qualitative Possibility and Beliefs
University of British Columbia(不列颠哥伦比亚大学)
可能性逻辑是一种用于不确定性推理的数值形式。有兴趣发展定性帐户的可能性,以及解释之间的关系的可能性和模态逻辑。我们提出了两个模态逻辑,可以用来表示和原因的定性陈述的可能性和必要性。在这个模态框架内,我们能够识别可能性逻辑,信念和条件之间的有趣关系。特别是,最自然的条件定义通过可能性的手段默认推理是相同的珍珠的条件的电子语义。
2013-03-13 cs.AI
Automated Reasoning Using Possibilistic Logic: Semantics, Belief Revision and Variable Certainty Weights
Universite Paul Sabatier(保尔·萨巴蒂埃大学)
本文提出了一种基于可能性逻辑的不确定性自动推理方法,为此,我们处理条款加权的程度是一个下界的必要性或可能性措施,根据性质的不确定性。两种归结规则用于处理不同的情况,反驳方法可以推广。此外,下界被允许是变量的函数在子句中,这给假设推理能力。我们的方法和最小化异常的想法之间的关系进行了简要的讨论。在只涉及必要性测度下界的情况下,提出了一种语义,证明了扩展归结原理的完备性。此外,从一个部分不一致的知识库推导可以在这种方法中管理,并显示出某种形式的非单调性。
2013-03-27 cs.AI
Inference with Possibilistic Evidence
University of California(加利福尼亚大学)
本文在无限论域上提出了可能性证据的概念,它既是一种可能性分布,也是一种证据体。在保持概念相容性和概率逻辑一致性的统一推理框架下,研究了可能性证据推理。
2013-03-06 cs.AI
Using arguments for making decisions: A possibilistic logic approach
IRIT - UPS(图卢兹计算机科学研究所 - 保罗·萨巴捷大学)
人类目前使用论据来解释已经做出的选择,或者评估潜在的选择。每个潜在的选择通常都有各种优势的利弊。尽管在决策过程中的参数的有用性,有几个正式的建议处理这个想法,如果我们除了福克斯和帕森斯和博内和格夫纳的作品。在本文中,我们提出了一个可能性的逻辑框架,参数是建立在一个不确定的知识基础和一组优先目标。所提出的方法可以计算两种决策,区分悲观和乐观的态度。当可用的,也许是不确定的,知识是一致的,以及一组优先目标(必须尽可能实现),用于评估决策的方法的基础上的参数同意的可能性理论为基础的方法,决策下的不确定性。利用它的关系与正式的方法,可废止的论证,建议的框架可以推广的情况下,部分不一致的知识,或目标基地。
2012-07-11 cs.AI
The Possibilistic Horn Non-Clausal Knowledge Bases
Artificial Intelligence Research Institute (IIIA) - CSIC(人工智能研究所 (IIIA) - CSIC)
实证逻辑是处理不确定和部分不一致信息的最广泛的方法。关于范式,可能性推理的进展主要集中在小句形式上。然而,现实世界中的问题的编码通常会导致一个非小句(NC)的公式和NC到小句翻译产生严重的缺陷,严重限制了小句推理的实际性能。因此,通过计算公式在其原来的NC形式,我们提出了几个贡献表明显着的进步也可能在可能性非子句推理。{ \em}首先,我们定义了{ \em可能性Horn非子句知识库,}或$\mathcal{\overline{H}}_Σ$,它包含了类:可能性Horn和命题Horn-NC。证明了$\mathcal{\overline{H}}_Σ$是标准Horn类的一种NC类。{ \em}其次,我们定义了{ \em可能性非子句单元归结,}或$ \mathcal{UR}_Σ$,并证明了$ \mathcal{UR}_Σ$正确地计算了$\mathcal{\overline{H}}_Σ$成员的不一致度。$\mathcal{UR}_Σ$以前从未被提出过,它是以类子句的方式制定的,这便于它的理解,形式化证明和未来向非子句归结的扩展。{ \em第三},证明了计算$\mathcal{\overline{H}}_Σ$成员的不一致度需要多项式时间。虽然在可能性逻辑中已经存在易处理的类,但它们都是子句类,因此$\mathcal{\overline{H}}_Σ$是可能性推理中第一个刻画的多项式非子句类。
2021-11-15 cs.AI
An Algebraic Semantics for Possibilistic Logic
University of Padova(帕多瓦大学)
本文的第一个贡献是提出了一个类似Pavelka的可能性逻辑公式,其中语言自然地被两个表示否定的连接词(eg)和一种新型的连接词(otimes)所丰富。这个逻辑的真值空间是可能性函数的格,从代数的角度来看,它形成了一个量子。第二个贡献来自于对新连词的理解,它是来自不同来源的信息标记的组合,这使得我们的语言“动态”。给出了一个Gentzen演算,证明了它在给定的语义下是完备的。真值函数的问题在此背景下进行了讨论。
2013-02-20 cs.AI cs.LO
A Modal Logic for Possibilistic Reasoning with Fuzzy Formal Contexts
Institute of Information Science, Academia Sinica(学术院信息科学研究所)
本文提出了一种用于模糊形式背景的可能性推理的双类型加权模态逻辑,实现了对模糊概念的扩展,并展示了逻辑的表达能力和扩展可能性。
2025-12-31 cs.AI cs.LO
Fuzzy Knowledge Representation Based on Possibilistic and Necessary Bayesian Networks
在本文提出的框架内,我们解决的问题,扩展某些网络的模糊某些网络,以应付现有模型的不精确和不确定的知识下的决策的复杂性和局限性。本文提出了一个框架,结合两个学科发挥各自的优势,在不确定和不精确的知识表示问题。该框架是一个基于可能性逻辑的框架,其中贝叶斯节点及其属性由局部必要值知识库表示。属性中的数据被解释为一组赋值公式。在我们的贡献可能性贝叶斯网络有一个定性的部分和定量的一部分,代表当地的知识库。总体思路是研究如何融合这两种形式主义将允许表示紧凑的方式来有效地解决问题的知识表示。我们展示了如何将可能性和必要性度量应用于大规模数据的知识表示问题。另一方面,将明确的确定性程度模糊化为模糊变量,提高了网络的质量,并往往带来网络性能的平滑性和鲁棒性。总体目标是提供一种新的不确定性决策方法,该方法结合了三种方法:贝叶斯网络确定性分布和模糊逻辑。
2012-06-05 cs.AI
A Logic of Graded Possibility and Certainty Coping with Partial Inconsistency
Institut de Recherche en Informatique de Toulouse (I.R.I.T.)(图卢兹计算机科学研究所);Universite Paul Sabatier(保尔·萨巴蒂埃大学)
一个语义给出了可能性逻辑,一个逻辑,处理加权经典逻辑公式,并在那里的权重被解释为下界程度的确定性或可能性,在这个意义上的扎德的可能性理论。建议的语义是基于模糊集的解释。它容忍部分不一致。可满足性从解释扩展到解释的模糊集,每个模糊集代表一个描述已知世界状态的可能性分布。将可能性知识库看作是满足它的可能性分布的集合,并证明了基于广义归结原理的可能性逻辑自动推理的反驳方法对于所提出的语义(包括部分不一致的情况)是可靠和完备的.
2013-03-20 cs.AI cs.LO
On Modal Logics for Qualitative Possibility in a Fuzzy Setting
Spanish Council for Scientific Research (CSIC)(西班牙国家研究委员会)
在不确定性建模的可能性方法中,本文提出了一种模态逻辑系统来推理模糊命题的可能性(和必要性)的定性(比较)陈述。我们把这种定性模态逻辑与著名的知识和信念模态逻辑S5和KD 45的多值类似物MVS5和MVKD 45分别联系起来。完整性结果得到这样的逻辑,因此,他们扩展了以前现有的结果定性可能性逻辑在经典的非模糊设置。
2013-02-27 cs.AI cs.LO
Possibility as Similarity: the Semantics of Fuzzy Logic
SRI International(SRI国际公司);Artificial Intelligence Center(人工智能中心)
本文讨论的基本问题的性质的概念和结构的模糊逻辑,特别是集中在概念和功能之间存在的差异,概率和可能性的方法。语义模型提供了一个基本框架,通过一个函数来定义可能性结构和概念,该函数量化了可能世界对之间的接近度、接近度或相似性。由此产生的模型是一个自然的扩展,基于多个可构思的关系,模态逻辑概念的必要性和可能性。相比之下,面向机会的概率概念和结构依赖于集合扩展的度量,这些度量量化了命题为真的可能世界的比例。可能世界之间的相似性通过广义相似关系来量化:一个函数,它为每对可能世界分配一个介于O和1之间的数字。使用这种相似关系,这是一种形式的数字补充的一个经典的度量或距离,这是可能的定义和解释的主要结构和方法的模糊逻辑:条件和无条件的可能性和必要性分布和广义前件的扎德。
2013-03-27 cs.AI
The PITA System: Tabling and Answer Subsumption for Reasoning under Uncertainty
University of Ferrara(费拉拉大学);Universidade Nova de Lisboa(新里斯本大学)
许多现实世界的领域需要表示的不确定性的措施。最常见的这种表示是概率,概率与逻辑程序的结合产生了概率逻辑编程(PLP)领域,导致了诸如独立选择逻辑、带有注释析取的逻辑程序(LPAD)、Problog、PRISM等语言。这些语言共享类似的分布语义,并且已经设计了在这些语言之间翻译程序的方法。计算对这些通用PLP程序的查询的概率的复杂性非常高,这是由于需要组合可能不是排他性的解释的概率。作为一种替代方案,PRISM系统通过限制它可以评估的程序的形式来降低查询回答的复杂性。作为一种完全不同的替代方案,可能性逻辑程序采用比概率更简单的不确定性度量。这些方法中的每一种--一般PLP、限制PLP和可能性逻辑编程--都可以在不同的领域中使用,这取决于要表示的不确定性的形式、建模问题所需的程序的形式以及要解决的问题的规模。在本文中,我们将展示如何PITA系统,它最初支持的LPAD的通用PLP语言,也可以有效地支持受限PLP和可能性逻辑程序。PITA依赖于带有答案包容的制表,由转换和与答案包容接口的库函数API组成。
2011-07-24 cs.AI cs.LO cs.PL
Efficient algorithm for estimation of qualitative expected utility in possibilistic case-based reasoning
Swinburne University of Technology(斯威本科技大学)
我们提出了一个有效的算法估计的可能性为基础的定性期望效用。它对决策机制很有用,其中每个可能的决策都被分配了一个多属性可能性分布。基于离散化计算期望效用的普通方法的计算复杂性随着属性的数量呈指数增长,并且可能在这些属性的数量很高时变得不可行。我们提出了一系列定理和引理证明我们的算法的正确性,具有线性计算复杂性。我们的算法已被应用于选择最有前途的合作伙伴在多方多属性谈判的背景下,也可以用于决策过程中的潜在报价作为其他类似的问题。
2012-07-04 cs.AI
Belief Revision with Uncertain Inputs in the Possibilistic Setting
Institut de Recherche en Informatique de Toulouse (IRIT) - CNRS(图卢兹计算机科学研究所(IRIT)- 法国国家科学研究中心);Universite Paul Sabatier(保罗·萨巴蒂埃大学)
本文在可能性理论的框架下讨论了不确定输入下的信念修正问题。修正可以基于条件运算的两种可能的定义,一种基于min算子,其仅需要纯序标度,另一种基于乘积,其需要更丰富的结构,并且其是Dempster条件规则的特定情况。此外,在不确定输入下的修订可以以两种不同的方式来理解,这取决于输入是否被视为要强制执行的约束。此外,它表明,M.A.威廉姆斯的嬗变,最初定义在设置的Spohn的功能,可以捕捉在这个框架,以及Boutilier的自然修订。
2013-02-13 cs.AI
Qualitative Decision Making Under Possibilistic Uncertainty: Toward more discriminating criteria
LIP6
本文的目的是提出一个概括以前的方法在定性决策。我们的工作是基于二元可能性效用(PU),它是期望效用(EU)的可能性对应,我们首先给出了PU的一种新的公理化,并研究了它与悲观效用和乐观效用的词典式集合的关系。然后,我们解释了定性决策标准粗糙的原因。最后,由于重新定义的可能性彩票和混合物,我们提出了改进的二进制可能性效用,这是比以前提出的标准更具歧视性。
2012-07-04 cs.AI cs.GT
Characterizing and Extending Answer Set Semantics using Possibility Theory
Universiteit Gent(根特大学);Cardiff University(卡迪夫大学);Vrije Universiteit Brussel(布鲁塞尔自由大学)
答案集编程(ASP)是一个流行的框架建模组合问题。然而,ASP不能很容易地用于推理不确定的信息。可能性ASP(Possibilistic ASP,PASP)是ASP的一种扩展,它结合了可能性逻辑和ASP.在PASP中,权重与每个规则相关联,其中该权重被解释为当已知主体保持时可以建立结论的确定性。因此,它允许我们以直观的方式对不确定信息进行建模和推理。在本文中,我们提出了新的语义PASP,其中规则被解释为可能性分布的约束。这些约束的特殊模型,然后确定为可能性的答案集。此外,由于ASP是一个特殊的情况下,PASP中的所有规则是完全确定的,我们得到了一个新的表征ASP的可能性分布的约束。这使我们能够发现一种新的析取形式,称为弱析取,以前没有在文献中考虑过。除了介绍和激发弱析取的语义,我们还指出其计算复杂性。特别是,虽然大多数推理任务的复杂性符合标准的析取ASP,我们发现,勇敢的推理弱析取程序更容易。
2013-11-30 cs.AI cs.LO
Probabilistic classification from possibilistic data: computing Kullback-Leibler projection with a possibility distribution
LEMMA, Paris-Panthéon-Assas University(巴黎-先贤祠-阿萨斯大学LEMMA实验室);Univ. Artois, CNRS, CRIL(阿尔图瓦大学,法国国家科学研究中心,计算机科学、信号与图像处理研究实验室);Institut Universitaire de France(法国大学研究院)
本文提出基于可能性监督的多类分类方法,通过构造闭凸集并利用Kullback-Leibler投影优化模型,提升预测性能。
2026-04-02 cs.AI cs.LG
Formal Model of Uncertainty for Possibilistic Rules
University of Oklahoma(俄克拉荷马大学);SUNY-Binghamton(纽约州立大学宾汉姆顿分校)
给定一个讨论X的宇宙(一个可能结果的领域),一个实验可能包括选择其中一个元素,服从偶然性的操作,或者观察元素,服从不精确性。关于实验实际结果的先验不确定性可以被量化,表示选择r_X的可能性或任何这样的X适合作为结果描述的程度。前一种情况对应于一个概率分布,而后一种情况给出了X上的一个可能性分配。这种分配及其性质的研究属于可能性理论的范畴[DP 88,Y 80,Z 783。它和概率论一样,分配0到1之间的值来表示结果的可能性。然而,相似之处到此为止。可能性理论使用最大值和最小值函数来组合不确定性,而概率理论使用加号和乘法运算。这导致理论在分析框架方面非常不同,尽管它们共享一些语义概念。其中一个共同的概念是定量地表达与给定分布相关的不确定性。在概率论中,它的值对应于进行实验和确定实际结果所获得的信息。这种信息的获得同样可以被看作是实验结果不确定性的减少。在这种情况下,信息的标准度量以及不确定性是香农熵[AD 75,G77]。它有几个优点--它的特点是只有几个非常自然的性质,而且它可以方便地用于决策过程。这个应用程序是基于最大熵的原则,它已成为一个流行的方法,有关决策的不确定性。本文论证了在可能性理论的基础上可以建立一个同等完整的理论。我们首先展示了如何定义的信息和不确定性的可能性分配措施。接下来,我们构建一个基于信息的度量空间上的所有可能性分布定义在一个给定的域。它使我们能够捕捉到分布…
2013-03-20 cs.AI
Rethinking Epistemic Logic with Belief Bases
CNRS-IRIT(法国国家科学研究中心-图卢兹计算机科学研究所);Toulouse University(图卢兹大学)
我们引入了一个新的语义逻辑的显式和隐式的信念的基础上的概念,多智能体的信念基础。与现有的Kripke式认知逻辑语义学中可能世界和doxastic/epistemic alternative的概念是原始的不同,在我们的语义学中,它们是非原始的,但从信念基础的概念定义。我们提供了一个完整的公理化和证明我们的逻辑通过有限模型参数的可判定性。我们还提供了一个多项式嵌入我们的逻辑到Fagin & Halpern的一般意识的逻辑,并建立一个复杂性的结果,我们的逻辑通过嵌入。
2018-12-17 cs.AI cs.LO
Towards Distributed Logic Programming based on Computability Logic
DongA University(东亚大学)
{ \em Computability logic}(CoL)是一个强大的计算模型,它将计算问题视为机器及其环境之间的博弈。在本文中,我们表明,CoL自然支持分布式控制的多智能体编程模型。具体地说,我们讨论了一个基于CoL的分布式逻辑编程模型(确切地说是CL 1),我们称之为CL 1 ^Ω。该模型的主要特点是支持Agent的$dynamic/evolving$知识库。事实证明,这种模型是实现通用AI和未来计算模型的一种有前途的方法。
2022-08-07 cs.AI cs.PL
LogicENN: A Neural Based Knowledge Graphs Embedding Model with Logical Rules
University of Bonn(波恩大学);Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所)
知识图谱嵌入模型在人工智能研究中得到了广泛的关注。最近的工作表明,包含背景知识,如逻辑规则,可以提高嵌入在下游机器学习任务的性能。然而,到目前为止,大多数现有模型不允许包含规则。我们解决了包括规则的挑战,并提出了一个新的基于神经的嵌入模型(LogicENN)。我们证明了LogicENN可以学习知识图谱中编码规则的每一个基础事实。据我们所知,到目前为止,这还没有被证明为基于神经的嵌入模型家族。此外,我们推导出公式包含各种规则,包括(反)对称,逆,非自反和传递,蕴涵,组合,等价和否定。我们的提法可以避免接地的含义和等价关系。我们的实验表明,逻辑ENN优于国家的最先进的模型在链接预测。
2019-08-20 cs.AI cs.CL
Logic-level Evidence Retrieval and Graph-based Verification Network for Table-based Fact Verification
Research Center for Social Computing and Information Retrieval(社会计算与信息检索研究中心);Harbin Institute of Technology(哈尔滨工业大学)
基于表的事实验证任务的目的是验证给定的半结构化表是否支持给定的语句。符号推理与逻辑运算在这项任务中起着至关重要的作用。现有方法利用包含丰富逻辑信息的程序来增强验证过程。然而,由于在程序生成过程中缺乏完全监督的信号,可以导出和使用虚假程序,这导致模型无法捕获有用的逻辑运算。为了解决上述问题,在这项工作中,我们制定了基于表的事实验证任务作为证据检索和推理框架,提出了逻辑级证据检索和基于图的验证网络(LERGV)。具体来说,我们首先从给定的表和语句中检索逻辑级程序类证据作为表的补充证据。在此基础上,构建逻辑级图来捕捉检索到的证据中实体和函数之间的逻辑关系,并设计基于图的验证网络,在所构建的图的基础上进行逻辑级图推理,对最终的蕴涵关系进行分类。在大规模基准测试系统TABBACT上的实验结果表明了该方法的有效性。
2021-09-14 cs.AI cs.CL
LoIDE: a web-based IDE for Logic Programming - Preliminary Technical Report
University of Calabria(卡拉布里亚大学)
基于逻辑的范式现在被广泛应用于许多不同的领域,这也要归功于强大的工具和系统的可用性,这些工具和系统允许开发现实世界和工业应用。在这项工作中,我们提出了LoIDE,一个先进的和模块化的基于逻辑的语言,还集成了最先进的求解器的网络编辑器。
2017-09-15 cs.AI cs.SE
On the Logical Content of Knowledge Bases
University of Southampton(索姆塞特大学);University College London(伦敦大学学院)
本文探讨如何从知识本身的结构推导出逻辑,通过定义逻辑常数和支持关系来揭示逻辑系统如何从知识组织中自然产生。
2025-11-27 cs.AI cs.LO