Uniform semantic treatment of default and autoepistemic logics
我们重新审视了非单调推理中两种主要形式主义之间的联系：自认知逻辑和缺省逻辑。对于每个逻辑，我们开发了一个全面的语义框架的基础上的概念的信念对。所有信念对的集合与所谓的知识排序一起形成一个完整的格。对于每一个逻辑，我们介绍了几个语义的信念对格上的运营商的不动点。我们的研究结果阐明了各自的语义结构的基本同构。特别是，我们表明，由Konolige提出的模态公式的默认值的解释，使我们能够代表所有的语义默认逻辑的相应的语义的自认识逻辑。因此，我们的研究结果最终确定，默认逻辑确实可以被视为一个片段的自我认知逻辑。然而，正如我们还证明的那样，Moore和Reiter的语义是由不同的运算符给出的，并且在其相应的语义族中占据不同的位置。这一结果解释了长期以来难以将这两种语义正式联系起来的原因。在本文中，我们还讨论了近似怀疑推理与自认知和默认逻辑，并建立建设性的原则背后的这种近似。
2000-02-03 cs.AI
Learning Possibilistic Logic Theories from Default Rules
Cardiff University（卡迪夫大学）；KU Leuven（鲁汶大学）
我们介绍了一个设置学习可能性逻辑理论的默认形式“如果阿尔法，然后通常β”。我们首先从机器学习理论的角度来分析这个问题，确定VC维度的可能性分层以及相关的学习问题的复杂性，之后，我们提出了一个启发式学习算法，可以很容易地扩展到数千个默认值。我们的方法的一个重要属性是，它本质上能够处理嘈杂和冲突的默认设置。除此之外，这使我们能够从众包数据中学习可能性逻辑理论，并使用启发式MAP求解器来近似命题马尔可夫逻辑网络。我们目前的实验结果表明，这种方法的有效性。
2016-04-18 cs.AI
Conditioning on Disjunctive Knowledge: Defaults and Probabilities
University of New Brunswick（新不伦瑞克大学）
许多作者观察到，缺省逻辑似乎包含概率论的“彩票悖论”。当一个默认的“矛盾证明”让我们得出结论，一个典型的X不是一个Y，其中Y是X的一个不寻常的子类时，就会出现这种情况。我们发现，有一个类似的问题与默认的“证明的情况下”，并构建一个设置，我们可能会得出不同的结论，知道一个析取比我们知道任何特定的析取。虽然赖特的原始形式主义是能够代表这种区别，其他方法是没有。为了表示和推理这种情况，默认逻辑学家必须指定如何选择一个“典型”个体。这个问题与概率论中的辛普森悖论密切相关。如果我们接受一个简单的概率帐户的默认的基础上的概念，一个命题可能有利于或增加相信另一个，“多重扩展问题”的合取和析取知识消失。
2013-03-27 cs.AI
Argumentation Semantics for Prioritised Default Logic
King’s College London（伦敦国王学院）
利用结构化论证的ASPIC+框架，赋予优先缺省逻辑（PDL）以论证语义，并证明了论证的结论就是优先缺省扩展. PDL的论证语义将允许论证博弈证明理论应用于PDL中的推理过程，使得接受结论的原因透明，推理过程更直观。这也开辟了基于辩论的分布式推理和代理人之间的沟通与PDL表示的心理态度的可能性。
2015-07-01 cs.AI
Rules, Belief Functions and Default Logic
Queen Mary and Westfield College（玛丽女王与韦斯特菲尔德学院）
本文描述了一个基于信念函数的规则自然框架，它包括数值规则、缺省规则、允许和不允许对位的规则。特别是它证明了使用的Dempster-Shafer理论代表一个特定的类别的规则，信念计算是一个较低的概率给定一定的独立性假设的基础空间。它显示了如何一个信念函数框架可以推广到其他逻辑，包括一般的蒙特卡罗算法计算信念，以及如何一个版本的赖特的默认逻辑可以被视为一个限制情况下的信念函数形式主义。
2013-03-27 cs.AI
Where Fail-Safe Default Logics Fail
Reiter对缺省逻辑的原始定义允许应用与先前应用的缺省相矛盾的缺省。我们把这种情况称为失败。产生故障的可能性在过去一直被认为是一个语义问题，并已提出的变种来解决它。我们表明，它是一个计算功能，需要编码到默认逻辑的某些域。
2004-03-19 cs.AI cs.LO
Sequential Thresholds: Context Sensitive Default Extensions
University of Rochester（罗切斯特大学）
缺省逻辑在表示常识推理任务时遇到了一些概念上的困难。我们认为，我们不应该试图制定模块化的默认规则，假定在所有或大多数情况下工作。我们需要考虑到在推理过程中不断演变的背景的重要性。顺序阈值化是默认逻辑的定量对应物，它明确了上下文在非单调扩展的构建中所扮演的角色。我们提出了一个通用的非单调推理的语义特征，以及有关默认逻辑和顺序阈值的实例。这提供了两种机制之间的联系，以及一种整合两者的方式，对双方都有利。
2013-02-06 cs.AI
Representation Theory for Default Logic
缺省逻辑可以被看作是一种表示推理Agent的信念集族的机制。因此，它本质上是二阶的。在本文中，我们研究了一个家庭的理论作为一个默认理论的扩展集的可表示性问题。我们利用正规缺省理论给出了可表示性的完整解。我们利用任意缺省理论得到了可表示性的部分结果。我们构造了不可表示的非包含理论的可数族的例子。我们还研究了缺省理论之间的等价性概念。
1999-01-28 cs.AI cs.LO
Implementing Default and Autoepistemic Logics via the Logic of GK
University of Science and Technology of China（中国科学技术大学）；Leipzig University（莱比锡大学）
知识和合理假设的逻辑，也称为基础知识逻辑（GK），由林和肖汉姆提出，作为非单调推理的一般逻辑。到目前为止，它已经被用来嵌入默认逻辑（命题情况），自认知逻辑，特纳的普遍因果关系逻辑，以及稳定模型语义下的一般逻辑编程。除了显示GK作为非单调推理逻辑的一般性之外，这些嵌入还揭示了这些其他逻辑之间的关系。在本文中，第一次，我们展示了如何GK的逻辑可以嵌入到析取逻辑编程中的多项式，但非模块化的新变量的翻译。其结果可用于计算缺省逻辑、自认知逻辑和Turner泛因逻辑的扩展/扩展语义，并可通过claspD（-2）、DLV、GNT和cmodels等析取ASP求解器进行求解。
2014-05-05 cs.AI cs.LO
Bijective Faithful Translations among Default Logics
Dipartimento di Informatica e Sistemistica, Università di Roma La Sapienza（罗马第一大学信息与系统学系）
在这篇文章中，我们研究了默认逻辑的变体之间的翻译，使得作为翻译的输入和输出的理论的扩展是双射对应的。我们假设翻译可以引入新的变量，并且翻译理论的结果可以在理论大小的时间多项式中产生，或者其输出在该大小中是多项式;然而，我们仅限于原始理论具有扩展的情况。这项研究填补了以前的两件工作之间的差距，一个研究双射翻译的限制默认逻辑，和其他研究非双射翻译之间的默认逻辑变量。
2007-07-30 cs.AI cs.LO
Another perspective on Default Reasoning
定义了任意给定的有限正规缺省集D的字典序闭包。一个条件断言“if a then b”在这个字典式闭包中，如果给定默认值D和事实a，则得出b。字典序闭包本质上是D的一个有理扩张，它的有理闭包在前面的文章中定义。它提供了一种正常缺省的逻辑，不同于R. Reiter，这已经足够丰富，不需要考虑非正常违约。提供了大量的例子来表明，字典式闭包对应于赖特的缺省逻辑背后的基本直觉。
2002-03-01 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
On the Parameterized Complexity of Default Logic and Autoepistemic Logic
Universität Hannover（汉诺威大学）；Université de la Méditerranée（地中海大学）；TWT GmbH（TWT有限公司）
本文研究了Courcelle定理和Elberfeld等人的对数空间形式的应用。在命题公式集的蕴涵问题、缺省逻辑的扩张存在问题以及自认知逻辑的扩张存在问题的背景下，得到了这些问题的固定参数时空有效算法.另一方面，我们展示，对于上述每个问题，一个非常简单的结构，对于广泛的不同的参数化，没有有效的固定参数算法（即使在大类XPnu的意义上）的实例的家庭，除非P=NP。
2011-10-06 cs.AI cs.CC
Transitive reasoning with imprecise probabilities
University of Rome “La Sapienza”（罗马大学（萨皮恩扎大学））；LMU Munich（慕尼黑大学）；University of Palermo（巴勒莫大学）
我们研究概率信息（弱）版本的传递性，通过使用合适的定义的默认值和否定的默认值，在设置的连贯性和不精确的概率。我们表示p-一致的序列的默认值和/或否定的默认值的g-相干的不精确概率评估的相应序列的条件事件。最后，我们证明了弱传递性的连贯概率传播规则和有效性的选择推理模式，通过证明相关的知识库的p-蕴涵。
2015-03-13 cs.AI cs.LO math.PR
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
Genetic Algorithms for Extension Search in Default Logic
一个缺省理论可以用它的一组似是而非的结论来表征，称为它的扩展。但是，由于缺省逻辑（Sigma_2 p-完全）的理论复杂性，如果要处理非平凡的知识库，寻找这样的扩展是非常困难的。基于自然选择原理的遗传算法已成功地应用于组合优化问题，并在搜索空间大、无易处理算法的情况下得到了应用。本文的目的是表明，从遗传算法发出的技术可以用来建立一个有效的默认推理系统。在提供了一个正式的描述的组件所需的扩展搜索的基础上遗传算法原则，我们展示了一些实验结果。
2000-02-24 cs.AI cs.LO
On Strong and Default Negation in Logic Program Updates (Extended Version)
CENTRIA；New University of Lisbon（新里斯本大学）
现有的语义回答集程序更新分为两类：要么他们认为只有强否定的头部规则，或者他们主要依赖于默认否定的头部规则，并可选地提供支持强否定的语法转换。在本文中，我们指出了这两种方法的局限性，并认为这两种类型的否定应该是一等公民的背景下更新。我们确定的原则，合理地限制他们的互动，但不同时满足任何现有的规则更新语义。然后，我们扩展了一个最先进的语义直接支持强否定，并表明它满足概述的原则以及各种其他可取的属性。
2014-07-09 cs.AI
Two results for proiritized logic programming
优先缺省推理在知识表示和推理中表现出了丰富的表达能力和灵活性。然而，优先缺省推理的许多重要方面还有待深入探讨。在本文中，我们研究两个性质的优先级逻辑程序的背景下，回答集语义。具体来说，我们揭示了一个密切的关系，相互可撤销性和唯一性的答案集的优先级逻辑程序。然后，我们探讨如何扩展逻辑程序的分裂技术可以扩展到优先级的逻辑程序。我们证明了分裂定理，可以用来简化在一定条件下的优先级逻辑程序的评价。
2002-03-05 cs.AI
Evaluating Defaults
我们试图找到规范性标准的充分性非单调逻辑类似的标准的有效性演绎逻辑。我们不是规定一个推论的结论在前提为真的所有模型中为真，而是要求一个非单调推论的结论在前提为真的某种类型的“几乎所有”模型中为真。这种“某种”规范挑选出与推理相关的模型，考虑到诸如特异性和精确性以及先前的推理等因素。表征相关模型的频率反映了我们实际世界中的已知频率。默认推理的充分性标准可以通过阈值化扩展到扩展的充分性标准来扩展。我们表明，这避免了令人难以置信的，否则可能会导致连锁的默认推理。模型的比例，当解释的频率，提供了一个可验证的基础默认规则，并可以成为从统计数据生成默认规则的基础。
2002-07-24 cs.AI
Strong Backdoors for Default Logic
本文在Reiter的命题缺省逻辑中引入了后门的概念，研究了它的结构性质，并考虑了各种目标类（cnf，horn，krom，monotone，identity）的后门检测（以解的大小为参数）和后门求值（以给定后门的大小为参数）问题。我们发现，后门检测是固定参数的听话的目标类，后门评估是固定参数听话的，在para-DP 2，或在para-NP，这取决于目标类。
2016-02-19 cs.AI cs.CC cs.LO
Limitations of Skeptical Default Reasoning
University of Manchester（曼彻斯特大学）
普尔已经证明了非单调逻辑不能正确地处理彩票悖论。在本文中，我们将表明，波洛克的理论，可废止推理失败的原因是相同的：可废止推理是不兼容的怀疑概念的可推导性。
2013-02-06 cs.AI
Default Logic and Bounded Treewidth
TU Wien（维也纳工业大学）；University of Potsdam（波茨坦大学）；Leibniz Universität Hannover（汉诺威莱布尼茨大学）
本文研究了输入理论的一种图表示（半本原图）的树宽有界时的Reiter命题缺省逻辑。我们建立了一个关于树分解的动态规划算法，以决定一个理论是否有一个一致的稳定扩张（Ext）。我们的算法甚至可以用来枚举所有生成的默认值（ExtEnum），导致稳定的扩展。我们表明，我们的算法决定外的线性时间在输入理论和三倍指数时间的树宽（所谓的固定参数线性算法）。此外，我们的算法解决了ExtEnum的预计算步骤，是线性的输入理论和三倍指数的树宽，然后是一个线性延迟输出解决方案。
2017-12-30 cs.AI cs.CC cs.LO
A Clustering and Demotion Based Algorithm for Inductive Learning of Default Theories
The University of Texas at Dallas（得克萨斯大学达拉斯分校）
我们提出了一个聚类和降级为基础的算法称为Kmeans-FOLD诱导非单调逻辑程序从正面和负面的例子。我们的算法改进上，并受到启发的FOLD算法。FOLD算法本身是对FOIL算法的改进。与FOLD算法相比，我们的算法生成更简洁的逻辑程序。我们的算法使用基于K-means的聚类方法聚类的输入正样本之前，应用FOLD算法。在中间步骤中被部分学习的程序覆盖的正例不像在FOLD算法中那样被丢弃，而是被降级，即，它们的权重在算法的后续迭代中减小。我们在UCI数据集上的实验表明，K-Means聚类和我们的降级策略相结合，对具有多个正例聚类的数据集产生了显着的改善。由此产生的诱导程序也更简洁，因此更容易理解的FOLD和ALEPH系统相比，两个国家的最先进的归纳逻辑程序设计（ILP）系统。
2021-09-26 cs.AI
Outlier detection in default logics: the tractability/intractability frontier
University of Calabria（卡拉布里亚大学）；Jerusalem College of Engineering（耶路撒冷工程学院）
在默认理论中，离群值表示具有意外属性的文字集。在以前的论文中，我们定义了缺省逻辑中的离群点，并研究了它们的形式性质。具体来说，我们已经研究了异常值检测问题的计算复杂性，并证明，虽然它们通常是棘手的，有趣的易处理的情况下，可以挑选出来。根据这些结果，我们在这里研究离群点检测问题的易处理性边界，通过分析它（i）考虑离群点检测问题，（ii）参考默认逻辑片段，（iii）采用离群点的概念。对于第（i）点，我们将考虑三个日益复杂的问题，分别称为离群点-证人识别，离群点识别和离群点存在。至于第（ii）点，当我们寻找可以有效地进行离群点检测的条件时，注意力将限于无析取命题缺省理论的子集。至于第（iii）点，我们将参考[ABP 08]的离群值概念和一个新的更具限制性的概念，称为强离群值。在复杂性结果的基础上，我们提出了一个多项式时间算法来计算拟无循环正态一元缺省理论中所有有界强离群点。我们的一些易处理性的结果依赖于增量引理，提供了条件的一个contrult逻辑片段具有单调的行为。最后，为了表明我们处理的DL的简单片段仍然足够丰富，以解决有趣的问题，因此，我们证明的易处理性结果不仅在理论方面是有趣的，这些片段的表达能力的见解，通过显示正常的一元理论表达所有NL查询，从而间接回答了考茨和塞尔曼提出的问题。
2013-10-30 cs.AI cs.CC cs.LO
A Description Logic Framework for Commonsense Conceptual Combination Integrating Typicality, Probabilities and Cognitive Heuristics
ICAR-CNR, Istituto di Calcolo e Reti ad Alte Prestazioni（意大利国家研究委员会高性能计算与网络研究所）
我们提出了一个典型性的非单调描述逻辑，它能够解释原型概念的概念组合现象。所提出的逻辑依赖于典型性ALC TR的逻辑，其语义是基于理性闭包的概念，以及概率描述逻辑的分布式语义，并配备了人类用于概念组合的认知启发式。我们首先通过典型包含扩展了典型ALCTR的逻辑，其直观含义是“典型Cs是Ds的事实存在概率p”。在分布式语义中，我们定义了不同的场景，只包含一些典型性包含，每一个都有一个合适的概率。然后，我们专注于这些情况下，其概率属于一个给定的和固定的范围，我们利用这种情况下，以归因于典型的属性，以获得两个原型概念的组合的概念C。我们还表明，推理建议的描述逻辑是EXPTIME完成的基础ALC。
2019-08-12 cs.AI
A note on the Declarative reading(s) of Logic Programming
本文分析了逻辑程序设计的说明性阅读。逻辑编程--以及作为失败的否定--没有唯一的声明性阅读。一个普遍的观点是，逻辑编程是默认推理的逻辑，默认逻辑或自动认知逻辑的子形式主义。在这种观点中，作为失败的否定是一个模态算子。在另一种观点中，逻辑程序被解释为定义。在这种观点中，作为失败的否定是经典的客观否定。从常识的角度来看，这两种观点肯定是有区别的。令人惊讶的是，这两种类型的声明性阅读都导致了相同的模型语义。本说明调查了这一情况的原因。
2000-03-13 cs.AI cs.LO
Default reasoning over domains and concept hierarchies
W.C.圆和G。- Q. Zhang（2001）提出研究一种推广到代数域的析取逻辑编程形式。该系统允许推理的信息是分层结构，并形成一个（合适的）域。我们扩展这个框架，包括推理与默认否定，从而产生一个新的非单调推理框架的层次知识，其中包括答案集编程与扩展的析取逻辑程序。我们还表明，层次结构的知识，编程在这种模式下可以做的，产生非常自然的正式概念分析。总之，我们得到了一个默认的推理范式的概念知识，这是根据非单调推理的主流发展。
2004-09-01 cs.AI cs.LO
Probabilistic Default Reasoning with Conditional Constraints
我们提出了一个组合的概率推理的条件约束的方法，默认推理的条件知识库。详细地说，我们推广了Pearl在系统Z中的蕴涵，Lehmann的词典蕴涵和Geffner的条件蕴涵的概念。我们给出了一些例子，表明新的概念的z-，字典式，和条件蕴涵有类似的性质，像他们的经典同行。此外，我们表明，新的概念的z-，字典，和条件蕴涵是适当的推广，他们的经典同行和经典概念的逻辑蕴涵的条件约束。
2000-03-08 cs.AI
Description of GADEL
本文介绍了GADEL系统的第一个实现：缺省逻辑的遗传算法。GADEL的目标是在Reiter的默认逻辑中计算扩展。它接受各种有限命题缺省理论，并基于遗传算法的进化原理。对某些问题实例的初步实验结果表明，这种新的问题处理方法是成功的。
2000-03-07 cs.AI cs.LO
Reasoning about Typicality and Probabilities in Preferential Description Logics
Università del Piemonte Orientale（东皮埃蒙特大学）；Università di Torino（都灵大学）；ICAR-CNR（意大利国家研究委员会高性能计算与网络研究所）；Aix-Marseille University（艾克斯-马赛大学）
在这项工作中，我们描述了优先描述逻辑的典型性，一个非单调扩展的标准描述逻辑的典型性算子T允许扩展知识库的形式T（C）v D，其直观的含义是，通常/通常Cs也是Ds。这种扩展是基于一个最小的模型语义对应的理性闭包的概念，建立在优惠的模型。我们回顾优先描述逻辑的基本概念。我们还提出了两个扩展的优先语义：一方面，我们考虑概率扩展，基于分布式语义，是适合于解决问题的常识概念组合，另一方面，我们考虑其他加强的理性闭包语义和建设，以避免所谓的阻塞的属性继承问题。
2020-04-23 cs.AI
The Probability of a Possibility: Adding Uncertainty to Default Rules
University of British Columbia（不列颠哥伦比亚大学）
我们提出了一个语义添加不确定性的条件逻辑默认推理和信念修订。我们能够将条件句视为条件概率的陈述，并表达修改规则，例如“如果A被相信，那么B将被相信为p度。“这种修改方法通过允许概率为零的句子进行有意义的修改来扩展条件化。这是通过使用反事实概率来实现的。因此，我们的系统占定性方法的更新（特别是，AGM理论的修订）和概率方法的最佳性能。我们还展示了如何我们的系统可以被看作是一个统一的概率论和可能性理论，突出其正交性，并提供了一种手段来表达概率的可能性。我们还展示了连接到刘易斯的成像方法。
2013-03-06 cs.AI
Generalizing Fuzzy Logic Probabilistic Inferences
URSIC COMPUTING（Ursic计算公司）
通过奇偶条件选择的布尔对称函数子集的线性表示构成了布尔引入的概率线性约束的推广。这些线性约束对于计算事件的概率是必要的。用命题演算布尔公式任意指定。
2013-03-27 cs.AI
A Logic for Reasoning about Upper Probabilities
Cornell University（康奈尔大学）
我们提出了一个命题逻辑推理的不确定性事件，其中的不确定性是由一组概率的措施分配一个概率的间隔，每个事件建模。我们给出了该逻辑的一个完备公理化，并证明了可满足性问题是NP-完全的，并不比命题逻辑的可满足性问题难。
2014-08-07 cs.AI cs.LO
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
A logic for reasoning about upper probabilities
我们提出了一个命题逻辑%，它可以用来推理的不确定性事件，其中的不确定性是由一组概率的措施分配一个区间的概率为每个事件建模。我们给出了该逻辑的一个完备公理化，并证明了可满足性问题是NP-完全的，并不比命题逻辑的可满足性问题难。
2003-07-30 cs.AI cs.LO
Probability Distributions Over Possible Worlds
University of Waterloo（滑铁卢大学）
在概率逻辑尼尔森使用设备的概率分布在一组可能的世界分配概率的句子的逻辑语言。在他的论文尼尔森集中在推理和相关的计算问题。另一方面，本文更详细地研究了概率语义，特别是对于一阶语言的情况，并试图解释这种形式的概率逻辑的一些特征和局限性。指出逻辑句子概率赋值的方法具有一定的表达局限性。特别地，统计断言不容易由这样的设备表达。这导致了某些困难，试图给概率语义默认推理使用概率分配给逻辑句子。
2013-03-27 cs.AI
Splitting an operator: Algebraic modularity results for logics with fixpoint semantics
众所周知，在某些条件下，可以在稳定的模型语义下分割逻辑程序，即，将这样的程序划分为多个不同的“级别”，使得整个程序的模型可以通过为每个级别递增地构造模型来构造。类似的结果也存在于其他非单调形式主义，如自认知逻辑和缺省逻辑。在这项工作中，我们提出了一个一般的，代数分裂理论的逻辑与不动点语义。再加上近似理论的框架，一个一般的不动点理论的任意运营商，这给了我们一个统一的和强大的方式得出分裂结果的每一个逻辑与不动点语义。我们证明了这些结果的有用性，通过推广现有的结果为逻辑编程，自动认知逻辑和默认逻辑。
2006-10-26 cs.AI cs.LO
Redundancy in Logic III: Non-Mononotonic Reasoning
给出了限制理论和缺省理论的冗余性结果。特别是，建立一个给定的理论是否是冗余的复杂性。
2005-10-12 cs.AI cs.CC cs.LO
Probabilistic Logic Programming with Beta-Distributed Random Variables
Cardiff University（卡迪夫大学）；ARL（美国陆军研究实验室）；Ozyegin University（奥兹耶金大学）
我们使aProbLog-一个概率逻辑编程方法-原因在存在的不确定概率表示为贝塔分布的随机变量。我们实现了高度指定和工程领域的最先进算法的相同性能，同时我们保持了aProbLog在处理复杂关系域时提供的灵活性。我们的动机是，忠实地捕捉概率的分布是必要的，以计算预期效用的有效决策下的不确定性：不幸的是，这些概率分布可以是高度不确定的，由于稀疏的数据。为了理解和准确地操纵这样的概率分布，我们需要一个由贝塔分布提供的定义明确的理论框架，贝塔分布指定了一个概率分布，它代表了当确切值未知时概率的所有可能值。
2018-11-15 cs.AI
Logic of subjective probability
本文探讨主观概率的语法与语义，论证非个人概率经检验可具客观性，并借助杰弗里斯定律及与频率概率的关联支持客观概率观点。
2023-09-03 cs.AI stat.OT
Non-Deterministic Approximation Fixpoint Theory and Its Application in Disjunctive Logic Programming
Open Universiteit（开放大学）；Tel-Aviv Academic College（特拉维夫学术学院）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
近似不动点理论（AFT）是研究非单调逻辑语义的一个抽象而通用的代数框架。它提供了对非单调推理的不同形式主义的语义的统一研究，例如逻辑编程、默认逻辑和自认识逻辑。在本文中，我们将AFT扩展到处理非确定性结构，允许处理不确定的信息，例如由析取公式表示。这是通过将AFT的主要构造和相应结果推广到非确定性算子来完成的，其范围是元素的集合而不是单个元素。这种概括的适用性和有用性的上下文中说明的析取逻辑编程。
2022-12-01 cs.AI
Lp : A Logic for Statistical Information
University of Waterloo（滑铁卢大学）
这个扩展的抽象提出了一个逻辑，称为LP，它能够表示和推理各种定性和定量的统计信息。这种逻辑形式主义的优点是它提供了统计知识的声明性表示;以这种方式表示的知识可以用于各种推理任务。该逻辑与概率逻辑中以前的工作不同之处在于，它使用了话语域上的概率分布，而大多数以前的工作（例如，Nilsson [2]，Scott et al. [3]，Gaifinan [4]，Fagin et al. [5]）研究了概率对逻辑句子的附加（也可参见Halpern [6]和Bacchus [7]进一步讨论差异）。逻辑Lp还有一些更重要的特征。首先，Lp是一阶逻辑的超集，因此它可以表示普通的逻辑断言。这意味着LP提供了一种机制，用于将统计信息和关于不确定性的推理集成到仅基于逻辑的系统中。其次，Lp具有透明的语义，基于集合和这些集合的概率。因此，Lp中所表示的知识可以用集合和概率的简单原始概念来理解。最后，有一个覆盖面很广的可靠证明理论（证明理论对于某些类型的模型是完整的）。证明理论捕获了足够的范围内的有效推理subsidered大多数以前的概率不确定性推理系统。例如，像Nilsson的概率蕴涵[2]生成的线性约束可以由证明理论生成，并且可以执行贝叶斯推理基础的信念网[8]。此外，证明理论集成了定量和定性推理以及统计和逻辑推理。在下一节中，我们将简要考察概率逻辑中以前的工作，并将其与Lp进行比较。然后，我们提出…
2013-03-27 cs.AI
Empirical Probabilities in Monadic Deductive Databases
University of Maryland（马里兰大学）
我们解决的问题，支持经验概率在一元逻辑数据库。虽然多值逻辑程序的语义已被广泛研究，处理概率的统计结果还没有在逻辑编程/演绎数据库中进行研究。我们开发了一个模型理论表征的逻辑数据库，便于这样的治疗。我们提出了一个算法来检查这类数据库的一致性，并证明了它的完全正确性。我们开发了一个健全的和完整的查询处理过程处理查询这样的数据库。
2013-03-13 cs.AI cs.DB
Cost-Based Intuitionist Probabilities on Spaces of Graphs, Hypergraphs and Theorems
OpenCog Foundation（OpenCog基金会）
在有向图或超图空间上定义了一种新的偏序，其基础是评估通过一系列初等变换生成一个图的代价。利用Knuth和Skilling在推理基础上的工作，以及图空间上的Heyting代数的结构，这种偏序被用来构建一个适用于有向图或超图的直觉概率测度。由于逻辑推理步骤可以表示为表示逻辑语句的超图上的变换，这也产生了定理空间上的直觉概率测度。中心的结果也扩展到产生直觉概率的基础上更一般的加权规则系统定义的双artesian封闭类别。
2017-03-13 cs.AI
A Plausibility Semantics for Abstract Argumentation Frameworks
University of Luxembourg（卢森堡大学）
我们提出并研究了一个简单的排名措施为基础的扩展语义抽象的论证框架的基础上，其通用的实例化默认的知识库和排名结构语义的默认推理。在这种情况下，我们考虑从结构化到逻辑到浅语义实例化的路径。由此产生的合理的JZ扩展语义偏离更传统的方法。
2014-07-16 cs.AI
Controlled Natural Languages and Default Reasoning
Stony Brook University（石溪大学）
受控自然语言是知识表示和推理的有效语言。它们是基于某些自然语言设计的，具有受限的词汇和语法。CNL与它们的基础语言相比是明确和简单的。它们保持了自然语言的表达性和连贯性。在这份报告中，我们专注于一类CNLs，称为面向机器的CNLs，它具有定义良好的语义，可以确定性地翻译成形式语言，如Prolog，做逻辑推理。在过去的20年里，出现了许多面向机器的CNL，并已被用于许多应用领域的问题解决和问答。然而，很少有人支持非单调推理。在我们的工作中，我们提出了非单调扩展CNL支持可废止推理。在本报告的第一部分，我们调查CNLs和比较三个有影响力的系统：尝试控制英语（ACE），可处理英语（PENG）和计算机可处理英语（CPL）。我们比较他们的语言设计，语义解释和推理服务。在本文的第二部分，我们首先分析了自然语言中典型的非单调性，如缺省、例外和会话含义。然后，我们提出了他们的CNL表示和相应的形式化形式的可废止推理称为逻辑程序设计与推理和论证理论（LPDA）。
2019-05-11 cs.AI cs.CL
Uncertainty and Incompleteness
General Electric Corporate Research and Development（通用电气公司研究与开发中心）
使用缺省逻辑的两个主要困难是它们的棘手性和在多个扩展中选择的问题。我们提出了一种方法，这些问题的基础上整合非单调推理与合理的推理的基础上三角规范。先前提出的不确定性推理系统（RUM）在非循环图上执行不确定单调推理。我们已经扩展了RUM允许非单调的推论和周期内的非单调规则。通过限制非单调循环的大小和复杂性，我们仍然可以进行有效的推理。不确定性度量为在多个违约中做出决定提供了基础。讨论了寻找最佳默认值的不同算法和启发式方法。
2013-03-27 cs.AI
Enablers and Inhibitors in Causal Justifications of Logic Programs
University of Corunna（拉科鲁尼亚大学）
出现在逻辑编程理论与实践（TPLP）中。在本文中，我们提出了一个扩展的逻辑编程（LP），其中每个默认文字来自良好的基础模型相关联的理由表示为一个代数表达式。这个表达式包含因果解释（以规则标签构建的证明图的形式）和否定范围内的术语，这些术语代表启用或禁用因果规则应用的条件。使用一些例子，我们讨论了这些新的条件，我们分别称之为“使能”和“抑制剂”，是密切相关的默认否定，并有一个本质上不同的性质，从定期的因果关系。最重要的结果是一个正式的比较，最近的代数方法的理由在LP：“为什么不种源”（WESTERN）和“因果图”（CG）。我们表明，目前的方法扩展了WESTERN和CG的理由下的基础良好的语义，作为副产品，我们还建立了这两种方法之间的正式关系。
2016-02-22 cs.AI cs.LO
Generics and Default Reasoning in Large Language Models
University of Oxford（牛津大学）；Magdalen College（玛格丽特学院）；University of Hong Kong（香港大学）
本文评估28个LLM在20种类指概括可废止推理模式上的表现，发现模型间差异大，CoT提示常导致性能显著下降，多数模型难以区分可废止与演绎推理，揭示了当前LLM在缺省推理上的能力边界。
2025-08-19 cs.AI cs.CL cs.LO
Reasoning about Minimal Belief and Negation as Failure
我们研究MBNF的命题片段中的推理问题，Lifschitz引入的最小信念和否定的逻辑，它可以被认为是几个非单调形式主义的统一框架，包括默认逻辑，自认知逻辑，限定，认知查询和逻辑编程。我们描述的复杂性，并提供算法的命题MBNF推理。特别是，我们表明，蕴涵命题MBNF位于第三级的多项式层次，因此，它比推理在所有上述命题形式主义的非单调推理。我们还证明了MBNF中的否定失败和摩尔的自认知逻辑中的否定内省之间的确切对应关系。
2011-06-01 cs.AI
Some Extensions of Probabilistic Logic
University of North Carolina, Charlotte（北卡罗来纳大学夏洛特分校）
在[12]中，Nilsson提出了概率逻辑，其中逻辑命题的真值是0和1之间的概率值。它适用于任何逻辑系统，其中的一个有限的命题集的一致性可以建立。当所有命题的概率都是0或1时，概率推理方案就退化为普通的逻辑推理。这种逻辑与贝叶斯方法的其他概率推理系统具有相同的局限性。对于常识推理，一致性不是一个非常自然的假设。我们有一些众所周知的例子：{迪克是贵格会教徒，贵格会教徒是和平主义者，共和党人不是和平主义者，迪克是共和党人}和{Tweety是一只鸟，鸟会飞，Tweety是企鹅}。在本文中，我们将提出概率逻辑的一些扩展。在第二部分，我们将考虑所有解释的空间，无论是否一致。根据识别框架，可以定义基本概率分配（bpa）和置信函数。Dempster的组合规则是适用的。概率逻辑的这种扩展在[1]中被称为证据逻辑。对于每个命题s，其置信函数由区间[Spt（s），Pls（s）]表示。当所有这样的区间都坍缩为单点时，证据逻辑就简化为概率逻辑（在不一定一致的解释的广义版本中）。当然，我们通过进一步限制一致的解释得到尼尔森的概率逻辑。在第三部分中，我们将给出概率逻辑在多维随机变量方面的概率解释。这种解释将概率逻辑纳入概率论的框架。让我们考虑有限集合S ={s1，s2，...，（2）逻辑命题。每个命题可能有真值或假值;并且可以被认为是随机变量。我们对每个命题都有一个概率分布。e维随机变量（sl，...，Sn）…
2013-03-27 cs.AI
Named Models in Coalgebraic Hybrid Logic
DFKI（德国人工智能研究中心）；Universität Bremen（不来梅大学）；Imperial College London（伦敦帝国理工学院）
混合逻辑扩展了模态逻辑，支持对由所谓的名词指定的各个状态进行推理。我们在共代数语义的广泛背景下研究混合逻辑，其中Kripke框架被替换为给定函子的共代数，从而涵盖了广泛的推理原则，包括，例如，概率、分级、默认或联合运算符。具体而言，我们建立通用标准，一个给定的共代数混合逻辑承认命名的规范模型，随后的完整性证明纯扩展一方面，和扩展的混合语言与本地绑定的其他。我们用一些例子来实例化我们的框架。值得注意的是，我们证明了具有局部约束的分次混合逻辑的完备性。
2010-02-03 cs.AI cs.LO
Probabilities on Sentences in an Expressive Logic
The Australian National University（澳大利亚国立大学）；EMC Greenplum；National ICT Australia（澳大利亚国家信息与通信技术研究院）；University of New South Wales（新南威尔士大学）
关于不确定性知识的自动推理有着广泛的应用。开发这种系统的一个困难是缺乏逻辑和概率的完全令人满意的整合。我们直接解决这个问题。高阶逻辑等表达性语言非常适合表示和推理结构化知识。不确定性知识可以通过使用分级概率而不是二进制真值来建模。本文研究的主要技术问题是：给定一组句子，每个句子都有一定的概率为真，其他句子的概率应该是多少？一个自然的愿望清单，除其他外，是概率分布（i）与知识库一致，（ii）允许一致的推理过程，特别是（iii）在概率为0和1的限制下简化为演绎逻辑，（四）允许（贝叶斯）归纳推理和（v）学习的限制，特别是（vi）允许确认普遍量化的假设/句子。我们将这个愿望清单转化为先验概率的技术要求，并表明满足我们所有标准的概率存在。我们还给出了明确的建设和几个一般的概率特征，满足一些或所有的标准和各种（反）的例子。我们还推导出必要和充分的条件，扩展信念的许多句子，以合适的概率在所有的句子，特别是最少的教条主义或偏见。最后，我们如何开发的理论可能会被使用和近似的自主推理代理的简要展望。我们的理论是一个全球一致的和经验上令人满意的统一概率和逻辑的一步。
2012-09-12 cs.AI cs.LG cs.LO
Learning to Reason: Targeted Knowledge Discovery and Fuzzy Logic Update for Robust Image Recognition
German Aerospace Center (DLR)（德国航空航天中心（DLR））
本文提出一种针对知识发现和模糊逻辑更新的方法，通过可微知识单元调节分类器logits，提升图像识别鲁棒性，实验表明在多个数据集上表现优于基线。
2026-04-30 cs.AI cs.CV
