Fudge: A light-weight solver for abstract argumentation based on SAT reductions
University of Koblenz-Landau(科布伦茨-兰道大学);University of Brescia(布雷西亚大学);University of Huddersfield(哈德斯菲尔德大学)
我们提出了福吉,一个抽象的论证求解器,紧密结合可满足性求解技术来解决一系列抽象的论证问题。虽然福吉使用的大多数编码都来自标准的翻译方法,但福吉使用了全新的编码来解决怀疑推理问题。优选的语义和问题WRT。理想语义学
2021-09-07 cs.AI
ESmodels: An Epistemic Specification Solver
Southeast University(东南大学)
(To ESModels作为一个实验平台,研究了ESModels的语义、语言、相关推理算法以及可能的应用,首先给出了ESModels的认知规约语言及其语义。该语言只使用一个模态算子K,但我们证明了它是能够表示丰富的模态算子提出的转换规则。然后,我们描述了基本算法和优化方法中使用的ES模型。在此基础上,我们讨论了ES模型在一致性规划和约束满足中的可能应用。最后,我们总结了前景。
2014-05-14 cs.AI
Computing LPMLN Using ASP and MLN Solvers
Arizona State University(亚利桑那州立大学)
LPMLN是概率逻辑程序设计语言的新成员。它的主要思想是通过以类似于马尔可夫逻辑定义的方式为每个规则分配权重来克服稳定模型语义的刚性。我们提出了两个实现的LPMLN,$\text{LPMLN2ASP}$和$\text{LPMLN2MLN}$。系统$\text{LPMLN2ASP}$将LPMLN程序转换为答案集求解器$\text{CLINGO}$的输入语言,并利用弱约束和稳定模型枚举,计算最可能的稳定模型以及精确的条件概率和边际概率。系统$\text{LPMLN2MLN}$将LPMLN程序翻译成马尔可夫逻辑解算器的输入语言,诸如$\text{ALCHEMY}$、$\text{TUFFY}$和$\text{ROCKIT}$,并且允许对LPMLN程序执行近似概率推断。我们还证明了有用的LPMLN系统计算其他语言,如ProbLog和珍珠的因果模型,被证明是可翻译成LPMLN。(正在考虑接受TPLP)
2017-11-30 cs.AI cs.LO
Recursive Aggregates as Intensional Functions in Answer Set Programming: Semantics and Strong Equivalence
University of Nebraska Omaha(内布拉斯加大学奥马哈分校)
本文在Here-and-There逻辑中用内涵函数刻画clingo和dlv中聚合程序的语义,并研究强等价性,提出归约为经典一阶逻辑的变换以支持自动化验证。
2024-12-14 cs.AI cs.LO
From Solver Feedback to Faithful Plans: Multi-Role Reinforcement Learning for Symbolic Planning
University of Pennsylvania(宾夕法尼亚大学);Georgia Institute of Technology(佐治亚理工学院);Pace University(佩斯大学)
该研究提出基于求解器的多角色强化学习框架,仅用求解器反馈实现无人工演示的自然语言转PDDL,在PlanBench上显著提升规划成功率与可信性,降低语义漂移。
2026-09-29 cs.AI
Web-based Argumentation
Nanyang Technological University(南洋理工大学)
基于假设的论证(ABA)是20世纪末提出的一种论证框架。从那时起,仍然没有一个求解器实现在一个程序设计语言,这是很容易设置和没有求解器已经接口到网络上,这妨碍了公众的利益。这个项目的目的是实现一个ABA求解器在一个现代的程序设计语言,表现相当不错,并接口到网络上,更容易访问的公众。该项目展示了ABA求解器开发的新颖性,该求解器在Python程序设计语言中计算无冲突,稳定,可接受,接地,理想和完整的语义,可以通过易于使用的Web界面用于参数和争议树的可视化。进行实验,以确定该项目的最佳配置,并将该项目与最先进的ABA求解器,它没有Web接口,计算的语义数量较少的BADDD进行比较。从实验结果来看,本方案的最佳配置是通过使用“pickle”技术和树缓存技术实现的。使用这个项目的最佳配置,这个项目实现了比Bulldd更低的平均运行时间。在另一方面,该项目遇到了更多的情况下,与异常相比,这可能是由于该项目计算更多的语义,因此需要更多的资源来这样做。因此,可以说,这个项目运行良好,以国家的最先进的ABA求解器Bulldd。未来的工作包括对所实现算法的计算复杂性分析和效率分析、在论证框架中实现更多的语义以及对Web界面进行可用性测试。
2016-12-14 cs.AI
Fages' Theorem and Answer Set Programming
我们推广了Francois Fages的一个定理,该定理描述了以否定为失败的逻辑程序的完成语义和答案集语义之间的关系。对这种关系的研究对于答案集编程的出现非常重要。只要这两种语义等价,答案集就可以通过可满足性求解器来计算,而不需要使用诸如models和dlv之类的答案集求解器。作为一个例子,讨论了由于Ilkka Niemperor块世界的逻辑编程表示。
2000-03-09 cs.AI
Aligning LLMs with Graph Neural Solvers for Combinatorial Optimization
National Yang Ming Chiao Tung University(国立阳明交通大学);Eindhoven University of Technology(埃因霍温理工大学);Centre for Frontier AI Research, A*STAR(前沿人工智能研究中心,新加坡科技研究局);Huazhong University of Science and Technology(华中科技大学);National University of Singapore(新加坡国立大学)
本文提出AlignOPT方法,通过结合大语言模型与图神经求解器,提升组合优化问题的求解能力,实现语义与结构表示的对齐,实验显示其在多种优化问题中表现优异。
2026-03-28 cs.AI
SAC-Opt: Semantic Anchors for Iterative Correction in Optimization Modeling
Department of Computer Science, City University of Hong Kong, Hong Kong SAR, China(香港城市大学计算机科学系);Huawei Noah's Ark Lab, Hong Kong SAR, China(华为诺亚实验室(香港));Huawei's Supply Chain Management Department, Shenzhen, China(华为供应链管理部(深圳))
提出SAC-Opt框架,通过语义锚点对齐和选择性修正,在无需额外训练的情况下提升大语言模型生成优化建模代码的语义忠实度,平均建模准确率提升7.7%。
2026-05-29 cs.AI cs.CL cs.PL
Bound Founded Answer Set Programming
National ICT Australia(澳大利亚国家信息与通信技术公司);The University of Melbourne(墨尔本大学)
答案集编程(ASP)是一个强大的建模形式主义,是非常有效的解决组合问题。ASP求解器实现了稳定的模型语义,消除了逻辑程序的解决方案中布尔变量之间的循环推导。由于这一点,ASP求解器比命题可满足性(SAT)和约束编程(CP)求解器更适合解决一类特定的问题,其规范包括归纳定义,如图中的可达性。另一方面,ASP求解器由于无法对有限域变量进行建模而受到基础瓶颈的影响。此外,现有的稳定模型语义不足以禁止循环推理的数值变量的界限。需要这样做的一个例子是对图中节点之间的最短路径进行建模。正如可达性可以被编码为具有一个或多个基本情况和递归规则的归纳定义一样,节点之间的最短路径也可以用类似的基本情况和递归规则来建模。这种稳定模型语义的缺陷在ASP系统中引入了另一种类型的基础瓶颈,这种瓶颈不能通过简单地将ASP与CP求解器合并来消除,而是需要将语义从布尔和正常规则扩展到数值变量和更一般的规则。在这项工作中,我们提出了边界建立的答案集编程(BFASP),解决了这个问题,从而消除了ASP系统中固有的所有类型的接地瓶颈。
2014-05-14 cs.AI
Extending and Implementing the Stable Model Semantics
提出了一种计算逻辑程序稳定模型语义的算法。它表明,可以扩展的语义和算法来处理新的和更具表现力的规则类型。重点放在使用有效的执行技术。特别是,实现安全地避免测试失败的每一个文字,使使用前瞻可行的前瞻性。此外,从搜索空间最小化的原则出发,给出了一个很好的启发式算法。由于缺乏竞争力的算法和实现的稳定模型的计算,该系统进行了比较,三个可满足性求解器。这表明,启发式可以通过打破关系来改进,但留下了如何打破关系的问题。它还表明,更有表现力的规则的稳定模型语义的语义明显优于命题逻辑时,一个问题有一个更紧凑的逻辑程序表示。合取范式表示永远不会比逻辑程序表示更紧凑。
2000-05-08 cs.AI cs.LO
From Semantic Decisions to Feasible Trajectories: Self-Evolving LLM-Guided Optimal Control for Narrow-Space Parking
xLean Robotics Co., Ltd.(xLean机器人有限公司)
提出SE-LLM-OCP框架,结合LLM高层机动决策与最优控制低层约束,通过在线重规划与离线知识库自进化,实现狭窄空间安全泊车并跨平台迁移。
2026-09-30 cs.AI cs.RO
A Parallel Memory-efficient Epistemic Logic Program Solver: Harder, Better, Faster
Space and Naval Warfare Systems Center Atlantic(大西洋空间与海战系统中心);College of Charleston(查尔斯顿学院);New Mexico State University(新墨西哥州立大学)
由于答案集编程(ASP)的实际使用已经增长与发展的高效求解器,我们期望在ASP的扩展越来越感兴趣,因为它们的语义稳定和求解器支持他们成熟。认知规范(Epistemic Specifications)就是这样一种扩展,它将模态运算符K和M添加到ASP语言中。我们把这种语言中的程序称为认知逻辑程序(ELP)。由于搜索空间的指数增长,求解器迄今为止仅适用于最简单的ELP。我们描述了一种能够更好地解决更难的问题的求解器(例如,没有指数增长的存储器需求w.r.t. K和M出现),比任何其他已知的ELP求解器更快。
2016-10-13 cs.AI
Bound-Founded Semantics for Answer Set Programming with Difference Constraints: Preliminary Report
研究带差异约束的回答集编程中现有混合求解器语义基础缺乏统一逻辑基础的问题,引入HTb多类变体构建通用框架,应用于差异约束设置,揭示不同混合系统行为语义根源,形成统一框架便于相关研究。
2026-07-24 cs.AI cs.LO
Language-Augmented Semantic Priors for B-Spline Surface Fitting
College of Computer Science and Artificial Intelligence, Fudan University(复旦大学计算机科学与人工智能学院)
提出LASP框架,利用大语言模型从建模历史推断B样条先验,作为语义推理层引导传统拟合过程,实现语义连贯的曲面拟合。
2026-09-11 cs.AI cs.CV
Teaching Temporal Logics to Neural Networks
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);Saarland University(萨尔大学);Google Research(谷歌研究院)
我们研究了神经符号计算中的两个基本问题:深度学习能否端到端地解决逻辑中的挑战性问题,以及神经网络能否学习逻辑的语义。在这项工作中,我们专注于线性时间时序逻辑(LTL),因为它被广泛用于验证。我们针对问题对一个Transformer进行训练,以直接预测给定LTL公式的解,即迹。训练数据是用经典解算器生成的,然而,经典解算器仅为每个公式提供许多可能的解之一。我们证明,这是足够的训练这些特定的解决方案的公式,和Transformers可以预测解决方案,甚至公式从基准的经典求解器超时的文献。Transformers还可以推广到逻辑的语义:虽然它们经常偏离经典求解器找到的解,但它们仍然可以预测大多数公式的正确解。
2021-02-18 cs.AI cs.LG cs.LO
NED-Tree: Bridging the Semantic Gap with Nonlinear Element Decomposition Tree for LLM Nonlinear Optimization Modeling
College of System Engineering, National University of Defense Technology(国防科技大学系统工程学院);University of Science and Technology of China(中国科学技术大学)
本文提出NED-Tree框架,通过句级提取策略和递归树结构解决LLM在非线性优化建模中的语义鸿沟问题,实验显示其在10个基准测试中达到72.51%的平均准确率。
2026-04-02 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
A Differentiable Integer Linear Programming Solver for Explanation-Based Natural Language Inference
University of Manchester(曼彻斯特大学);Idiap Research Institute(Idiap 研究所)
本文提出 Diff-Comb Explainer,利用可微黑盒组合求解器在不松弛语义约束的情况下融合 ILP 与神经表示,提升 NLI 性能及解释质量。
2024-04-03 cs.AI cs.CL cs.LG
Instantiation-based Formalization of Logical Reasoning Tasks using Language Models and Logical Solvers
Qatar Computing Research Institute(卡塔尔计算研究所)
本文提出Semantic Self-Verification(SSV)方法,通过模型生成具体实例并由求解器验证,将自然语言推理问题准确转化为形式语言,显著提升推理准确率并实现近乎完美的验证精确度,减少人工验证需求。
2025-07-12 cs.AI
Improving Auto-Design of Neural PDE Solvers with a Domain-Specific Language
该研究提出ADSL-PDE领域特定语言,通过结构化搜索空间提升神经PDE求解器自动设计的搜索效率与优化稳定性,前十次迭代性能提升超52%。
2026-08-25 cs.AI
Achieving >97% on GSM8K: Deeply Understanding the Problems Makes LLMs Better Solvers for Math Word Problems
Wuhan University(武汉大学);University of Sydney(悉尼大学)
针对思维链在数学应用题中的语义理解错误,提出深入理解问题(DUP)方法,提取关键解题信息,在10个基准上大幅领先,并在GSM8K零样本下达到97.1%的新SOTA。
2025-03-27 cs.AI cs.CL
Elaboration Tolerant Representation of Markov Decision Process via Decision-Theoretic Extension of Probabilistic Action Language pBC+
Arizona State University(亚利桑那州立大学)
我们扩展概率动作语言pBC+与决策理论中的效用概念。扩展的pBC+的语义可以被定义为概率答案集程序设计语言LPMLN的决策理论扩展的速记符号。或者,pBC+的语义也可以根据马尔可夫决策过程(MDP)来定义,这反过来允许以简洁和精细容忍的方式表示MDP,以及利用MDP求解器来计算pBC+。这个想法导致了系统pbcplus2mdp的设计,它可以使用MDP求解器找到pBC+动作描述的最佳策略。这篇论文是在逻辑程序设计理论与实践(TPLP)中考虑的。
2020-10-01 cs.AI
SM-based Semantics for Answer Set Programs Containing Conditional Literals and Arithmetic
University of Nebraska Omaha(内布拉斯加大学奥马哈分校)
本文基于 SM 算子为包含条件字面量与算术的答案集程序提出了一种无需接地的新语义,并证明了其与现有依赖无穷命题逻辑翻译的语义之间的精确对应关系。
2025-11-03 cs.AI cs.LO cs.PL
Complexity and Compilation of GZ-Aggregates in Answer Set Programming
University of Calabria(卡拉布里亚大学)
Gelfond和Zhang最近提出了一种新的基于恶性循环原理的稳定模型语义,以改善对具有聚集的逻辑程序的解释。本文重点讨论了这种新语义下的一致性测试和谨慎推理的复杂性。一些令人惊讶的结果凸显了与主流聚合稳定模型语义的相似之处和差异。此外,该文件报告的编译技术的设计,实现新的语义上现有的ASP求解器,最终导致实现一个原型系统,允许实验Gelfond张的聚合。出现在逻辑编程理论与实践(TPLP),ICLP 2015会议记录。
2015-07-14 cs.AI
Transition Systems for Model Generators - A Unifying Approach
University of Kentucky(肯塔基大学)
命题逻辑的一个基本任务是计算命题公式的模型。为此任务开发的程序称为可满足性求解器。我们表明,过渡系统引入Nieuwenhuis,Oliveras和Tinelli模型和分析可满足性求解器可以适应求解器开发的其他两个命题形式主义:逻辑编程下的答案集语义,和逻辑PC(ID)。我们表明,在每种情况下,计算模型的任务可以被看作是“可满足性模答案集编程”,其目标是找到一个模型的理论,也是一个答案集的某个程序。我们开发的统一的角度来看,特别是,求解器CLASP和MINISATID是密切相关的,尽管正在开发不同的形式主义,一个答案集编程和后者的逻辑PC(ID)。
2011-05-03 cs.AI
Integration of Declarative and Constraint Programming
将一组现有的约束求解器组合成一个集成的协作求解器系统是解决混合约束问题的一个有用和经济的原则。在本文中,我们表明,这种方法也可以用来整合不同的语言范式到一个统一的框架。此外,我们研究的语法,语义和操作的影响,这一想法的合并声明和约束编程。
2006-01-14 cs.AI cs.PL
Query Answering with Inconsistent Existential Rules under Stable Model Semantics
Sun Yat-sen University(中山大学);Huazhong University of Science and Technology(华中科技大学);Fudan University(复旦大学);Werstern Sydney University(西悉尼大学)
传统的基于本体的数据访问中的不一致容忍查询应答依赖于选择与本体一致的ABox/数据库的最大组件。然而,本体中的一些规则可能是不可靠的,如果它们是从本体学习中提取的或由不熟练的知识工程师编写的。在本文中,我们提出了一个框架,处理不一致的存在规则下的稳定模型语义,这是定义了一个概念称为规则修复,以选择最大组件的存在规则。令人惊讶的是,对于R-分层的R-非循环存在规则或分层否定的保护存在规则,在规则{修复语义}下的查询回答的数据复杂度和组合复杂度保持与传统的查询回答语义相同。这导致我们提出了几种方法来处理规则{修复语义}通过调用答案集编程求解器。实验结果表明,这些方法具有良好的可扩展性的查询回答下的规则修复的现实情况。
2016-02-18 cs.AI
Draft-and-Prune: Improving the Reliability of Auto-formalization for Logical Reasoning
University of California, Berkeley(加州大学伯克利分校);Microsoft(微软)
本文提出D&P框架,通过多样性与验证提升自动形式化逻辑推理可靠性,实验显示在多个基准测试中显著优于现有方法,如在AR-LSAT上准确率达78.43%。
2026-03-26 cs.AI
A Functional View of Strong Negation in Answer Set Programming
Arizona State University(亚利桑那州立大学)
强否定和默认否定之间的区别在答案集编程中很有用。我们提出了一个替代帐户的强否定,这让我们看到强否定的功能稳定模型语义的巴塞洛缪和李。更具体地说,我们表明,在完整的解释,最大限度地减少传统的答案集语义的正面和负面的文字基本上是相同的,以确保功能稳定模型语义下的布尔函数值的唯一性。同样的解释让我们把Lifschitz的二值逻辑程序看作函数稳定模型语义的一个特例。此外,我们展示了如何非布尔内涵函数可以消除有利于布尔内涵函数,而且可以表示使用强否定,这提供了一种方法来计算功能稳定的模型语义使用现有的ASP求解器。我们还注意到,类似的结果与Cabbet的功能稳定模型语义。
2013-12-20 cs.AI
A Solver-in-the-Loop Framework for Improving LLMs on Answer Set Programming for Logic Puzzle Solving
本文提出了一种求解器循环框架,通过引导求解器进行指令微调,提升LLM在Answer Set Programming中生成逻辑谜题解答的性能。
2025-12-18 cs.AI cs.CL
NL2LOGIC: AST-Guided Translation of Natural Language into First-Order Logic with Large Language Models
Virginia Tech(弗吉尼亚理工大学);Universitas Ary Ginanjar(阿里·金纳jar大学)
NL2LOGIC通过引入抽象语法树,结合递归大语言模型和生成器,实现了高准确性的自然语言到一阶逻辑转换,提升了逻辑求解的准确性和可执行性。
2026-01-29 cs.AI cs.CL
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
SOVER: Formal Certification of Optimization Reformulations via LLM-Assisted SMT Verification
TCS Research(塔塔咨询服务研究中心);Indian Institute of Technology Bombay(印度理工学院孟买分校)
提出LLM辅助的SMT框架SOVER,结合Z3与dReal工具,在NLEquiv-150基准上以99.33%准确率验证优化问题重述的等价性,解决经验验证不可靠的问题。
2026-09-02 cs.AI cs.LG math.OC
Generative Agents for Multi-Agent Autoformalization of Interaction Scenarios
Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
本文提出GAMA框架,利用LLM增强的智能体将博弈论交互场景的自然语言描述自动形式化为可执行逻辑程序,并通过求解器验证和锦标赛测试确保语法与语义正确性,实验证明其在多智能体仿真中具备高准确率。
2025-05-29 cs.AI
Possibilistic Answer Set Programming Revisited
University of Washington(华盛顿大学);Vrije Universiteit Brussel(布鲁塞尔自由大学);Universiteit Gent(根特大学)
可能性答案集编程(PASP)通过为每个规则附加一定程度的确定性来扩展答案集编程(ASP)。虽然从应用程序的角度来看,这样的扩展是重要的,但现有的语义并没有很好的动机,并且并不总是产生直观的结果。为了开发一个更合适的语义,我们首先介绍了一个典型的ASP程序的答案集的可能性逻辑方面的表征,其中ASP程序指定了一组约束的可能性分布。然后自然地将这种特征推广到定义PASP程序的答案集。我们还提供了一个语法对应,导致一个可能性的推广著名的Gelfond Lifschitz约简,我们展示了我们的框架可以很容易地使用标准的ASP求解器来实现。
2012-03-15 cs.AI
Cryptonite: A Cryptic Crossword Benchmark for Extreme Ambiguity in Language
Tel Aviv University(特拉维夫大学)
目前针对歧义的NLP数据集可以由母语者相对容易地解决。我们介绍了Cryptonite,一个基于神秘填字游戏的大规模数据集,它既具有语言复杂性,又具有自然来源。Cryptonite中的每个例子都是一个神秘的线索,一个简短的短语或句子,具有误导性的表面阅读,其解决需要消除语义,句法和语音文字游戏的歧义,以及世界知识。即使对于经验丰富的解决者来说,隐藏的线索也是一个挑战,尽管顶级专家可以以几乎100%的准确率解决它们。Cryptonite对于当前的模型来说是一项具有挑战性的任务;在470 k个神秘线索上微调T5-Large只能达到7.6%的准确率,与基于规则的线索求解器的准确率(8.6%)相当。
2021-11-01 cs.AI cs.CL cs.LG