A Logic Programming Framework for Possibilistic Argumentation with Vague Knowledge
University of Lleida（莱里达大学）；Universidad Nacional del Sur（南方国立大学）；IIIA – CSIC（西班牙国家研究委员会人工智能研究所）
可废止的论证框架已经发展成为一个健全的设置，从不完整的和潜在的不一致的知识形式化常识，定性推理。可废止逻辑程序设计（DeLP）是一种基于逻辑程序设计扩展的可废止论证形式。虽然DeLP已经成功地集成在许多不同的现实世界的应用程序，DeLP不能处理明确的不确定性，也不与模糊的知识，因为可解除性是直接编码在对象语言。本文介绍了P-DeLP，一种新的逻辑程序设计语言，扩展了原来的DeLP定性推理的能力，将处理可能性的不确定性和模糊知识。这些功能将正式的基础上PGL，可能性逻辑的基础上哥德尔模糊逻辑。
2012-07-11 cs.AI
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
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
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
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
Capturing (Optimal) Relaxed Plans with Stable and Supported Models of Logic Programs
Tampere University（坦佩雷大学）
本文建立松弛规划与逻辑程序语义的联系，提出用稳定模型双射刻画可排序动作子集，并用因果与诊断两种支持模型编码计算最优松弛计划，诊断编码在 STRIPS 基准上优于现有方法。
2023-06-08 cs.AI
A Unified Algebraic Framework for Non-Monotonicity
German University in Cairo（开罗德国大学）；Cairo University（开罗大学）
多年来，人们一直致力于深入研究非单调推理。随着非单调逻辑形式主义的丰富，一个统一的理论，使比较不同的方法是非常必要的。在本文中，我们提出了一种代数分级逻辑，称为LogAG，能够包含各种非单调形式主义。我们建立在林和Shoham的参数系统首先开发的形式化非单调常识推理。我们展示了如何编码的参数系统LogAG理论，并证明LogAG捕获的概念，相信空间的参数系统。由于参数系统捕获默认逻辑，自认知逻辑，作为失败的否定原则，和限制，我们的研究结果表明，LogAG捕获上述非单调逻辑形式主义以及。以往的结果表明，LogAG包含可能性逻辑和任何非单调推理关系满足梅金森的合理性假设。通过这种方式，LogAG为非单调性提供了一个强大的统一框架。
2019-07-22 cs.AI cs.LO cs.SC
An Encoding of Abstract Dialectical Frameworks into Higher-Order Logic
University of Luxembourg, Department of Computer Science（卢森堡大学计算机科学系）；Universität Greifswald, Institut für Mathematik und Informatik（格赖夫斯瓦尔德大学数学与信息学研究所）
本文提出将抽象辩证框架及其语义编码到经典高阶逻辑的方法，利用Isabelle/HOL证明助手正式编码和证明重要属性及语义关系，实现计算机辅助分析。
2023-12-08 cs.AI cs.LO
DES: a Challenge Problem for Nonmonotonic Reasoning Systems
美国的数据加密标准（DES）被提出作为非单调推理系统的一个有趣的基准问题，因为（i）它提供了一组工业相关的测试用例，这些测试用例具有随机生成问题和真实世界问题的特征，（ii）DES使用具有稳定模型语义的正常逻辑程序的表示简单且易于理解，和（iii）这个逻辑程序子类可以被看作是非单调推理的许多其他形式化的有趣的特殊情况。本文提出了DES作为逻辑程序的两种编码：一种是标准规范外的直接编码，另一种是扩展Massacci和Marraro工作的优化编码。利用Smodels系统作为稳定模型语义的实现，研究了编码的计算特性，并将其用于DES密钥搜索。结果表明，编码和S模型是相当有竞争力的：他们优于国家的最先进的SAT检查器与DES到SAT的优化编码工作，并与SAT检查器，是定制和优化的SAT编码调整。
2000-03-08 cs.AI
Automated Reasoning in Modal and Description Logics via SAT Encoding: the Case Study of K(m)/ALC-Satisfiability
在过去的二十年中，模态和描述逻辑已被应用于计算机科学的许多领域，包括知识表示，形式化验证，数据库理论，分布式计算，以及最近的语义Web和本体。基于这个原因，模态逻辑和描述逻辑中的自动推理问题得到了深入的研究。特别地，已经提出了许多方法来有效地处理核心正规模态逻辑K（m）及其记法变体描述逻辑ALC的可满足性。虽然K（m）/ALC结构简单，但在计算上很难推理，它的可满足性是PSPACE完全的。在本文中，我们开始探索的想法，执行自动推理任务的模态和描述逻辑编码成SAT，以便处理的国家的最先进的SAT工具，与大多数以前的方法，我们开始我们的调查从满足性K（m）。我们提出了一个有效的编码，我们测试了一组广泛的基准，比较的方法与主要的国家的最先进的工具。虽然编码必然是最坏情况下的指数，从我们的实验中，我们注意到，在实践中，这种方法可以处理大多数或所有的问题，这是在其他方法的范围内，与性能相当，甚至更好，那些目前的国家的最先进的工具。
2014-01-15 cs.AI cs.LO
Encoding Argumentation Frameworks to Propositional Logic Systems
本文将论证框架编码从二值命题逻辑推广到三值和模糊命题逻辑，通过正规编码和正则编码建立Dung经典语义、Gabbay实数等式语义与多种编码语义的对应关系，并提出新的模糊编码语义，为构造新论证语义提供框架。
2025-08-18 cs.AI math.LO
LogicMP: A Neuro-symbolic Approach for Encoding First-order Logic Constraints
INFLY TECH (Shanghai) Co., Ltd（INFLY科技（上海）有限公司）；Ant Group（蚂蚁集团）；BioMap Research（BioMap研究所）
本文提出LogicMP神经层，通过平均场变分推理高效编码一阶逻辑约束，可插入现成神经网络，在多种任务上性能与效率均优于先进方法。
2025-10-09 cs.AI cs.SC
The Topological Dual of a Dataset: A Logic-to-Topology Encoding for AlphaGeometry-Style Data
Huawei Lagrange Center（华为拉格朗日中心）
本文提出一种逻辑到拓扑的编码方法，用于揭示模型潜在空间的结构不变性，通过逻辑观察的对偶性，为神经符号AI提供解释路径。
2026-06-06 cs.AI cs.LO
Ternary Hashing
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；WeBank AI（微众银行人工智能部）；The Hong Kong University of Science and Technology（香港科技大学）；University of Malaya（马来亚大学）
本文提出了一种新的三进制哈希编码学习哈希方法，它提供了一个原则上更有效的编码方案，性能优于那些国家的最先进的二进制哈希同行。在学习/编码和测试/查询两个阶段，分别采用Kleene逻辑和Kukasiewicz逻辑来计算三值汉明距离（THD）。我们的工作表明，在标准二进制机器上有效地实现了三进制逻辑，所提出的三进制哈希与二进制哈希方法相比，检索平均平均精度（mAP）的一致改进范围从1%到5.9%，如CIFAR 10，NUS-WIDE和ImageNet 100数据集所示。
2021-03-19 cs.AI
Comparing Neural Network Encodings for Logic-based Explainability
Instituto Federal do Ceará (IFCE)（巴西塞阿拉联邦大学）
本研究比较了两种将人工神经网络编码为逻辑约束的方法，用于基于逻辑的可解释性，发现调整后的编码在构建约束和总体时间上分别提升高达18%和16%，同时保持相似的解释计算时间。
2025-05-26 cs.AI cs.LG cs.LO
Encoding Phases using Commutativity and Non-commutativity in a Logical Framework
LORIA（洛林计算机科学及其应用实验室）；INRIA Nancy Grand Est（法国国家信息与自动化研究所南锡大东部分部）；Université Nancy 2（南锡第二大学）；INPL（洛林国立理工学院）
本文提出了一种扩展的最简范畴文法（MCG），用于编码乔姆斯基相位.这些文法是基于部分交换逻辑（PCL）的，并编码Stabler的最简文法（MG）的性质。MCG的第一个实现是同时使用非交换属性（尊重话语中的线性词序）和交换属性（对不同成分的特征进行建模）。在这里，我们建议将Chomsky相位与逻辑的非交换张量积相加。然后，我们可以只使用框架的逻辑属性来解释PIC。
2011-08-25 cs.AI cs.CL cs.LO
Learning Relational Representations with Auto-encoding Logic Programs
KU Leuven（鲁汶大学）；VUB（布鲁塞尔自由大学（荷语区））
能够处理关系数据的深度学习方法在过去几年中激增。与利用一阶逻辑来表示此类数据的传统关系学习方法相比，这些深度学习方法旨在在欧几里得空间中重新表示符号关系数据。它们提供了更好的可扩展性，但只能在数值上近似关系结构，并且在支持的推理任务方面灵活性较差。本文介绍了一种新的框架，关系表示学习，结合了两个世界的最佳。该框架受自动编码原理的启发，使用一阶逻辑作为数据表示语言，原始表示和潜在表示之间的映射是通过逻辑程序而不是神经网络来完成的。我们展示了如何学习可以铸造作为一个约束优化问题，现有的求解器可以使用。使用逻辑作为表示语言使所提出的框架比深度学习方法更准确（因为表示是精确的，而不是近似的），更灵活，更可解释。我们的实验表明，这些潜在的表征确实是有益的关系学习任务。
2020-03-24 cs.AI cs.LG stat.ML
Subjective Logic Encodings
University of Sheffield（谢菲尔德大学）；ELLIS Unit Lisbon（欧洲卓越实验室网络里斯本单元）；Instituto Superior Tecnico（里斯本高等工程学院）；Universidade de Lisboa（里斯本大学）；National Centre for Text Mining（国家文本挖掘中心）；The University of Manchester（曼彻斯特大学）；Artificial Intelligence Research Center, National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所人工智能研究中心）
针对现有标注学习方法忽视标注者分歧、数据透视主义方法不确定性来源单一的问题，提出基于主观逻辑理论的SLEs框架，将多类标注不确定性编码聚合为狄利克雷分布形式的分类目标，证明其为标签编码的泛化形式并给出对应模型训练方法。
2025-03-20 cs.AI cs.LG
An Experimental Study of Formula Embeddings for Automated Theorem Proving in First-Order Logic
IBM Research（IBM研究院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Northwestern University（西北大学）
一阶逻辑中的自动定理证明是一个活跃的研究领域，机器学习成功地支持了这一领域。虽然有各种各样的建议将逻辑公式编码为数字向量-从简单的字符串到更复杂的基于图形的嵌入-但对这些不同编码的比较知之甚少。在本文中，我们研究和实验比较基于模式的嵌入，在当前系统中应用与流行的基于图形的编码，其中大部分没有被认为是在定理证明上下文之前。我们的实验表明，更复杂的基于图的嵌入，产生更有效的搜索策略和更简单的证明，在运行时间方面的优势，更简单的编码方案。为了支持这一点，我们提出了一个详细的分析，在几个方面的定理证明器的性能，不仅仅是证明完成率，从而提供经验证据，以帮助指导未来的研究神经引导的定理证明走向最有前途的方向。
2020-03-15 cs.AI cs.LG cs.LO
Direct Encoding of Declare Constraints in ASP
IRIT ANITI University of Toulouse（图卢兹大学IRIT ANITI研究所）；Università della Calabria（卡拉布里亚大学）
本文提出将 Declare 约束语义直接编码为 ASP 规则的新方法，无需 LTLf 公式或自动机等中间表示，并在两个流程挖掘任务中验证其有效性。
2024-12-13 cs.AI cs.LO
A Formalisation of Abstract Argumentation in Higher-Order Logic
University of Luxembourg（卢森堡大学）
我们提出了一种方法，表示抽象的论证框架的基础上编码成经典的高阶逻辑。这为使用交互式和自动推理工具对抽象论证框架进行计算机辅助评估提供了一个统一的框架。这使得元理论属性的形式化分析和验证，以及灵活生成的扩展和标记方面的知名的论证语义。
2021-10-18 cs.AI cs.LO
Best-Effort Inductive Logic Programming via Fine-grained Cost-based Hypothesis Generation
Technische Universität Wien（维也纳技术大学）；Marmara University（马尔马拉大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Sabanci University（萨班哲大学）
本文介绍了参加第一届归纳逻辑程序设计（ILP）竞赛的计算机系统。它基于Answer Set Programming（ASP）。假设空间生成的ASP编码：给定一组表示模式偏差的事实和一组成本配置参数，该编码的每个答案集表示一个规则，该规则被认为是用于找到需要给定示例的假设。与使用规则体的长度作为规则复杂性度量的最新方法相比，我们的方法允许对假设候选规则的形状进行更细粒度的规范。系统迭代地增加规则成本限制，从而增加搜索空间，直到找到合适的假设。该系统搜索一个假设，需要一个单一的例子，利用ASP编码从XHAIL中使用的编码派生。我们用ILP竞赛的开发和测试集进行实验。为了比较，我们还适应了ILASP系统处理竞争的情况下。实验结果表明，假设搜索空间的代价参数是在有限的资源范围内找到竞争实例的假设的重要因素。
2018-02-23 cs.AI cs.LG cs.LO
A logical re-conception of neural networks: Hamiltonian bitwise part-whole architecture
Dartmouth College（达特茅斯学院）
本文提出了一种基于哈密顿量的位部分整体架构，通过低精度算术实现关系编码，生成具有符号计算特征的表示，能处理标准神经网络任务并提升高层次语义表示能力。
2026-02-04 cs.AI cs.LG cs.NE
